Data Augmentation Based on Inverse Transform Sampling for Improved Tissue Classification via Electrical Impedance Spectroscopy
Notice bibliographique
Résumé
Ultrasound-guided needle biopsy often leads to uncertain results due to poor visualization of targets in the image. Biopsy needles equipped with electrical impedance spectroscopy (EIS) sensors can be used to identify the tissue at the needle tip and provide more accurate needle guidance and lesion targeting. A machine learning algorithm is often used to classify the tissue based on the measured EIS spectrum. However, training machine learning algorithms requires large amounts of data, which is rarely available in biomedical applications. A solution to increase the size of the dataset and improve the performance of the classifier is to create synthetic data that closely mimics the original measured data. This paper proposes inverse transform sampling as a data augmentation method for EIS to bolster training dataset size. It exploits the cumulative distribution functions of the target data and uses inverse sampling to generate new, synthetic data. The method is demonstrated using an EIS dataset composing 13 different ex-vivo tissue types. The method is then validated by comparing the performance of the synthetic data to the original data through the use of an artificial neural network (ANN) and a convolutional neural network (CNN). The classification results indicate that classification sensitivity, precision, and accuracy increase by at least 27.38, 24.86, and 19.41%, respectively, when the classifiers used a mix of original data and data augmented with the proposed method.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».