Breast lesion identification and categorization using mammography screening based on combined convolutional recursive neural network framework with parameters optimized using multi‐objective seagull optimization algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary In recent years, a number of learning methods have been adopted for classifying the mammogram images, which helps the early detection and diagnosis of breast cancer. The breast lesion identification and categorization using mammography screening based on combined convolutional neural network and recursive neural network (CRNN) framework with parameters optimized using multi‐objective seagull optimization algorithm (BLIC‐CRNN‐MOSOA) is proposed in this article. Initially, the unnecessary noise components are taken away from the mammogram images and the quality of the images are enhanced based on altered phase preserving dynamic range compression filtering approach. Then, the deep CRNN model with weight parameters optimized using multi‐objective seagull optimization algorithm is adopted for classifying the mammogram images into three categories: (i) normal, (ii) benign, and (iii) malignant masses. The proposed BLIC‐CRNN‐MOSOA approach is executed in MATLAB platform, and its performance is compared with other deep learning classification approaches. Then the simulation performance of the proposed BLIC‐CRNN‐MOSOA method attains higher accuracy 99.67%, 98.38%, and 97.45%, higher sensitivity 98.33%, 89.34%, and 88.96%, higher specificity 93.15%, 91.25%, and 92.88% compared with existing methods, like BLIC‐FrCN, BLIC‐ICS‐ELM, and BLIC‐DCNN‐BO. By this, the proposed method achieves higher classification accuracy with less misclassified error. Finally, the simulation results show that the proposed method is more efficient than the other classification methods.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 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 découle