Classification of Thyroid Nodules Using Follow the Regularized Leader Optimization Based Deep Neural Networks
Notice bibliographique
Résumé
Thyroid cancer, the most common endocrine malignancy, has exhibited a steadily increasing incidence worldwide.Recently, ultrasound (US) imaging has been recognized as a potential diagnostic tool for early assessment of thyroid nodules.However, visual interpretation of nodules is subject to the radiologists' subjective evaluations.To address this, a computer-aided Diagnostic (CAD) system has been developed to differentiate between benign and malignant thyroid nodules.The efficiency of this nodule classifier is heavily dependent on the features employed in the classification process.In this study, the efficacy of the RREMI-RF approach, employing the Multi-Channel Convolutional Neural Network (MCNN) and Hybrid Feature Cropping Network (HFCN) techniques, was evaluated.An innovative Follow the Regularised Leader-based Deep Neural Network (FTRL-DNN) technique is proposed for the precise classification of thyroid nodules.In this method, the AlexNet learning-based feature extraction system was utilized to extract features during the classification process.Images from the Digital Database Thyroid Image (DDTI) dataset were classified using the Long Short Term Memory (LSTM) classifier.Performance metrics, including accuracy, sensitivity, specificity, precision, and error rate, were used to assess the effectiveness of the FTRL-DNN algorithm.Compared to the HFCN and MCNN, the FTRL-DNN-based thyroid nodule classification demonstrated superior accuracy, achieving a rate of 98.94%.This research presents a significant advancement in the automated classification of thyroid nodules, potentially improving early detection and treatment of thyroid cancer.
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) | 0,000 | 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 | 0,001 | 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 ».