Hybrid CNN model employing patch-based exemplar for accessory spleen detection in abdominal CT images
Notice bibliographique
Résumé
The accessory spleen, a condition affecting a subset of the population, often presents diagnostic challenges due to its potential for being mistaken for a tumor or cyst.This underscores the importance of accurate identification of the accessory spleen.In this study, the development of a patch-based hybrid Convolutional Neural Network (CNN) model designed for the automatic detection of the accessory spleen is presented.The proposed model applies a five-step process in the detection of the accessory spleen, encompassing the extraction of the potential accessory spleen region, extraction of features from this region, selection of consistent and significant features, integration of these features, and their subsequent classification.Specialist physicians were responsible for the extraction of the region of interest.For feature extraction, four distinct CNN architectures were employed (AlexNet, Vgg16, MobileNet, Resnet50), and the feature vectors derived from these architectures were integrated.The Neighborhood Components Analysis (NCA) and ReliefF algorithms were utilized for the selection of the most representative features, which were subsequently classified using Support Vector Machines (SVM) and k-Nearest Neighbors (k-NN).The study revealed that the highest performance was achieved through the combination of SVM and ReliefF, yielding an accuracy of 93.87% (evaluated via 10-fold crossvalidation).The findings suggest that the proposed model could offer valuable decision support for physicians in the preliminary identification of the accessory spleen during clinical evaluations of tumors and similar structures resembling the accessory spleen.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».