Diagnosis of Medical Images Using Fuzzy Convolutional Neural Networks
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
Brain tumors, characterized by the uncontrolled and rapid proliferation of cells, can result in fatal outcomes if not identified and treated promptly.Consequently, the development of a reliable and automated diagnostic system is of paramount importance.In this study, a Fuzzy Convolutional Neural Network (F-CNN) is employed for the efficient diagnosis of brain tumors (Glioma, Meningioma, Pituitary, and non-tumors), leveraging the computational capabilities of Google Colaboratory.The methodology comprises four stages: pre-processing, training, testing, and evaluation.The pre-processing stage entails rescaling the image, resizing, random flipping, and random rotation.The training phase involves the construction of an intelligent model, encompassing four blocks: convolution, ReLU, batch normalization, and max pooling.This is followed by flattening, a fuzzy inferences layer, and a dense layer with dropout.The model was trained using a Kaggle dataset comprising 7022 brain tumor MRI images and validated with a test set of 470 MRI images sourced from the Neurological Wholesale Hospital in Baghdad.The proposed F-CNN model achieved a high accuracy rate of 99.31% while maintaining low computational complexity and time.This work illustrates the potential of Deep Learning approaches, such as F-CNNs, in enhancing the precision and efficiency of medical imaging diagnostics.
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