Histopathological carcinoma classification using parallel, cross‐concatenated and grouped convolutions deep neural network
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
Abstract Cancer is more alarming in modern days due to its identification at later stages. Among cancers, lung, liver and colon cancers are the leading cause of untimely death. Manual cancer identification from histopathological images is time‐consuming and labour‐intensive. Thereby, computer‐aided decision support systems are desired. A deep learning model is proposed in this paper to accurately identify cancer. Convolutional neural networks have shown great ability to identify the significant patterns for cancer classification. The proposed Parallel, Cross Concatenated and Grouped Convolutions Deep Neural Network (PC 2 GCDN 2 ) has been developed to obtain accurate patterns for classification. To prove the robustness of the model, it is evaluated on the KMC and TCGA‐LIHC liver dataset, LC25000 dataset for lung and colon cancer classification. The proposed PC 2 GCDN 2 model outperforms states‐of‐the‐art methods. The model provides 5.5% improved accuracy compared to the LiverNet proposed by Aatresh et. al on the KMC dataset. On the LC25000 dataset, 2% improvement is observed compared to existing models. Performance evaluation metrics like Sensitivity, Specificity, Recall, F1‐Score and Intersection‐Over‐Union are used to evaluate the performance. To the best of our knowledge, PC 2 GCDN 2 can be considered as gold standard for multiple histopathology image classification. PC 2 GCDN is able to classify the KMC and TCGA‐LIHC liver dataset with 96.4% and 98.6% accuracy, respectively, which are the best results obtained till now. The performance has been superior on LC25000 dataset with 99.5% and 100% classification accuracy on lung and colon dataset, by utilizing less than 0.5 million parameters.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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