DoubleSENeXt: Investigations on Enchondroma Detection
Notice bibliographique
Résumé
There are various deep learning models used to solve computer vision problems, with convolutional neural networks (CNNs) and transformers being commonly employed.However, these models have typically proposed by technological giants, and most researchers have relied on them.In this research, we aim to propose a new generation CNN model, termed Double Squeeze-and-Excitation Network (DoubleSENeXt), to address the stagnation in the development of new models.In this study, two new image classification models have been introduced: (i) DoubleSENeXt and (ii) an Exemplar Deep Feature Engineering (EDFE) model.The proposed DoubleSENeXt consists of four main stages: (1) stem, (2) main, (3) downsampling, and (4) output stages.Additionally, we have presented a lightweight version of the proposed DoubleSENeXt.The EDFE model comprises three main phases: (i) feature extraction with the pretrained DoubleSENeXt, (ii) feature selection using Cumulative Weighted Iterative Neighborhood Component Analysis (CWINCA), and (iii) classification with the tkNN algorithm-based k-nearest neighbors.Both new models have been applied to a newly collected enchondroma image dataset for classification.Both models achieved over 92% test classification accuracy on this dataset, with the proposed DoubleSENeXt reaching 92.15% test classification accuracy, and the EDFE model further improving this accuracy to 97.67%.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».