An Improved Deep Network Model to Isolate Lung Nodules from Histopathological Images Using an Orchestrated and Shifted Window Vision Transformer
Notice bibliographique
Résumé
Cancer is a major health issue worldwide.Classification of pulmonary (lung) nodules into benign and malicious is one of the stimulating exploration domain as it is the second most serious malignancy and the crucial source of universal deaths.Accurate identification of lung cancer from Computed Tomography (CT) scans achieves an important role in cancer diagnostics system.Besides, the accuracy of the manual isolation framework for lung cancer is dependent on the severity of the malignancy and the efficiency of the radiologist, which frequently cause inappropriate decisions.Thus, the segmentation of the affected area from the CT images is a very challenging task since the morphological features of pulmonary nodules are very complex.Recently, Machine Learning (ML) approaches, particularly Deep Learning (DL) methods enable medical industry to analyse huge data at remarkable speeds without debasing the accuracy of tumour segmentation algorithms.However, due to minute inter-class variances between the affected area and its adjacent tissues and the huge diversity of isolation targets, the deep models often fail to segment lung nodules accurately.To solve these issues, we develop an Orchestrated and Shifted Window Transformer (OSWT) with Multi-head self-attention (MSA) units to isolate the abnormal (diseased) area from pulmonary CT images precisely.We assess OSWT on a CT lung image dataset, called The Cancer Genome Atlas (TCGA or Atlas), and relate the performance of the proposed OSWT against 7 innovative classification models in terms of performance measures.The segment or using an OSWT delivers 98.4% dice similarity index (DSI), 96.5% of Jaccard similarity measure (JSM), 0.73% of volume error (VE), and 0.99s average computational cost.The extensive experimental results demonstrate that the OSWT model realizes improved performance and is more suitable for isolating abnormal cancer area from CT scans.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».