Deep Learning in Medical Imaging: A Case Study on Lung Tissue Classification
Notice bibliographique
Résumé
INTRODUCTION: In the field of medical imaging, accurate categorization of lung tissue is essential for timely diagnosis and management of lung-related conditions, including cancer. Deep Learning (DL) methodologies have revolutionized this domain, promising improved precision and effectiveness in diagnosing ailments based on image analysis. This research delves into the application of DL models for classifying lung tissue, particularly focusing on histopathological imagery. OBJECTIVES: The primary objective of this study is to explore the deployment of DL models for the classification of lung tissue, emphasizing histopathological images. The research aims to assess the performance of various DL models in accurately distinguishing between different classes of lung tissue, including benign tissue, lung adenocarcinoma, and lung squamous cell carcinoma. METHODS: A dataset comprising 9,000 histopathological images of lung tissue was utilized, sourced from HIPAA compliant and validated sources. The dataset underwent augmentation to ensure diversity and robustness. The images were categorized into three distinct classes and balanced before being split into training, validation, and testing sets. Six DL models - DenseNet201, EfficientNetB7, EfficientNetB5, Vgg19, Vgg16, and Alexnet - were trained and evaluated on this dataset. Performance assessment was conducted based on precision, recall, F1-score for each class, and overall accuracy. RESULTS: The results revealed varying performance levels among the DL models, with EfficientNetB5 achieving perfect scores across all metrics. This highlights the capability of DL in improving the accuracy of lung tissue classification, which holds promise for enhancing diagnosis and treatment outcomes in lung-related conditions. CONCLUSION: This research significantly contributes to understanding the effective utilization of DL models in medical imaging, particularly for lung tissue classification. It emphasizes the critical role of a diverse and balanced dataset in developing robust and accurate models. The insights gained from this study lay the groundwork for further exploration into refining DL methodologies for medical imaging applications, with a focus on improving diagnostic accuracy and ultimately, patient outcomes.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».