Breast mass regions classification from mammograms using convolutional neural networks and transfer learning.
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
This study introduces a novel approach aimed at enhancing the quality of digital mammography images through pre-processing techniques, to improve breast cancer detection accuracy. The primary objective is to enhance image resolution, thus leading to more precise breast tissue segmentation and subsequent classification utilizing convolutional neural networks (CNNs). Three recognized public mammography databases: CBIS-DDSM, Mini-MIAS, and Inbreast were used as pre-processing data. Our statistical findings revealed that the EDSR method (PSNR = 39.05 dB/ SSIM = 0.90) consistently outperformed the visual quality of images when compared to SR-RDN (PSNR = 32.68 dB/SSIM = 0.82). Similarly, UNet demonstrated superior performance over SegNet, boasting an average Intersection over Union (IoU) of 0.862, an average Dice coefficient of 0.991, and an accuracy rate of 0.947 in Region of Interest (RoI) segmentation results. In conclusion, the ResNet model contributed to enhanced accuracy compared to conventional machine learning algorithms. However, it did not surpass state-of-the-art deep CNN-based classifiers, achieving an accuracy rate of 75%.Abbreviations: AUC: Area under curve; CAD: Computer aided system; CC: Cranio caudal; CNN: Convolutional neural network; DNN: Deep neural network; DDSM: Digital Database for Screening Mammography; DM: Digital mammography; DL: Deep learning; EDSR: Enhanced Deep Residual Network; E2E: End to End; ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks; ESPCN: Efficient sub-pixel convolutional neural network; GAN: Generative adversarial network; HR: High resolution; IoU: Intersection over Union; LR: Low resolution; MDSR: Multi-scale deep super-resolution; MLO: Mediolateral Oblique; PSNR: Peak signal to Noise Ratio; RoI: Region of interest; RDN: Residua Dense Network; RDB: Residual Dense Block; RNN: Recurrent Neural Network; ReLU: Rectified Linear Unit; SR-GAN: Super-Resolution Using a Generative Adversarial Network; SSIM: Structural Similarity Index Metric; SISR: Single image super resolution; SegNet: Segmentation Network; TP: True positive; TN: True negative; FP: False positive; FN: False negative; VGG: Visual geometric group; VDSR: Very Deep Network for SR
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