Augmented Image Dataset Using Image-to-Image Translation to Enhance the Non-Hodgkin Lymphoma Diagnosis
Notice bibliographique
Résumé
Digital pathology involves the conversion of histology slides into digital format to generate high-resolution images.Tissue classification, particularly for identifying common types of non-Hodgkin lymphomas like mantle cell lymphoma, follicular lymphoma, and chronic lymphocytic leukemia, is a crucial application of this technology.Due to the complexity of these lymphomas, pathologists often encounter challenges in their diagnosis.However, the limited availability of image data in the dataset poses a significant challenge.To solve this issue, we present a new technique for augmenting the dataset and enabling more efficient model training.In this article, we propose a technique capable of approaching lymphoma images.Our idea is to generate lymphoma images by adding a segmented image.The reference images are taken from the available dataset.We use two re neural networks.The first neural network is image-to-image translation, a technique used to transform the appearance or style of images, particularly adversarial neural networks, facilitates this process by using inputs from the source domain to produce images that closely match the target domain.The second neural network, we use an improved convolutional neural network (CNN) algorithm for classifying non-Hodgkin lymphomas.Trained on this augmented dataset, the proposed model achieves a classification accuracy of 99.91%.This precision is higher than that reported by Khelil et al. in their study.Moreover, we acknowledge the ethical implications of generating synthetic medical images and propose guidelines for ensuring the ethical conduct of our proposed technique.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».