Multiclass Classification of Cervical Pap Smear Images Using Deep Learning-Based Model
Notice bibliographique
Résumé
One of the primary reasons for women's deaths is cervical cancer.The most important procedures that are to be performed to ensure the reduction of cervical cancer's side effects are possible diagnosis and the most definitive possible medical treatment.One of the best methods for identifying this type of cancer is using PaP smear images.For cervical cancer detection in PaP smear images, this research proposes a novel hybrid deep learning approach.The proposed methodology for cervical cancer classification performs the four efficient stages.A shape-based iterative method is used to detect nuclei in cell segmentation, and a marker-control watershed approach is used to separate overlapping cytoplasm.From the regions of segmented nuclei and cytoplasm, the practical features are extracted in the features extraction step.The simulated annealing integrated with a wrapper filter is employed for efficient feature selection.The classification of cervical cancer from pap-smear images is achieved using an attention-based nested classification network (Anu-Net) based on deep learning.The SIPaKMeD dataset is used for experiment analysis.The experimental results reveal that the developed deep-learning network model enabled high classification accuracy.The accuracy for a binary class problem was 99.95%; for a threeclass problem was 99.98%; and a five-class problem was 99.74%.The proposed approach significantly outperformed existing deep learning models in binary class, three-class, and five-class problems than the existing approaches.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».