A Mitosis Detection and Classification Methodology with YOLOv5 and Fuzzy Classifiers
Notice bibliographique
Résumé
Histopathological images are examined by pathologists to diagnose cancer. A major step in classifying nuclei as cancerous or non-cancerous is to detect and classify mitosis. Detecting and classifying mitosis, however, can be challenging due to its complex form of proliferation and high similarity to non-mitosis. Typically, pathologists use manual methods to diagnose cancer. However, it is a very laborious, time-consuming and costly method. Computer-aided diagnosis helps pathologists in the early detection and recognition of cancer and increases diagnostic precision. Many methods have been proposed over the years, but researchers have not been able to develop a system that provides high accuracy and reliability for a wide range of applications. This issue motivates us to develop a new methodology for identifying and classifying mitosis in breast histopathological images. First, mitotic-shaped cells are detected with YOLOv5. Both mitotic and non-mitotic cells can be detected by YOLOv5. In results of YOLOv5 diagnosis accuracy and reliability are reduced. After the detection process of mitotic-shaped cells with YOLOv5, fuzzy-based classifiers such as Fuzzy-based K Nearest Neighbor, Fuzzy Min-Max, and Fuzzy Random Forest are applied to distinguish mitotic cells from non-mitotic cells. The performance verification of the proposed methodology is conducted on the MITOS ICPR14 dataset in terms of Precision, Recall and F1-Score.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».