Classification of Ultrasound Breast Images Using Fused Ensemble of Deep Learning Classifiers
Notice bibliographique
Résumé
Ultrasound (US) imaging is an affordable, radiation-free screening that has been successfully used for early stage breast cancer screening. Deep learning-based classifiers are currently being used to classify breast cancer. Deep learning requires large amount of dataset for training. However, currently available databases of breast cancer US images are small and the images have tumors of different sizes. Therefore, the deep learning-based classifiers are unable to provide good generalization. To address these challenges, we propose a fusion of three models namely transfer learning, multi-scale and autoencoder. Transfer learning model is based on VGG16 and is used to overcome the issue of limited data. Convolutional autoencoders extract features that can represent even noisy images. We propose a novel multi-scale deep learning model to address learning of US images with tumors of various sizes and shapes. These three models are trained independently and then their classification outputs are fused using differential evolution (DE) algorithm to get the final classification results. The proposed novel fused ensemble of deep learning-based classifiers is evaluated using two publicly available US datasets. Transfer learning, autoencoder, and multi-scale models individually achieve an accuracy of 88%, 85%, and 89% respectively. The fusion of the outputs of the three models using DE algorithm provides a classification accuracy with an accuracy of 93%. The source code available at https://github.com/EbrahimAli1989/Breast-Cancer-classification-.git.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».