DWCLF-Net: A weighted contrastive learning feature fusion network for temporal scar image sequence classification
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
Accurate staging of scars is crucial for the targeted treatment of patients. However, the task is complicated by the varied development of scars across different individuals and body parts. To address this issue, we have constructed a temporal scar sequence dataset that distinguishes both individuals and body parts, aiming to capture the complex dynamics of scars from a temporal perspective. In previous studies, deep learning sequence models have been crucial for analyzing medical temporal data, identifying disease progression patterns by processing temporal dependencies. Despite their success, previous methods showed limitations in handling data with high inter-class similarity. In response, a novel strategy, which we named DWCLF-Net, a dual-path time series classification network based on supervised contrastive learning, has been proposed to address this issue. This network focuses on the spatial and temporal features of sequences through two distinct encoders. Additionally, it incorporates a weighted supervised contrastive learning strategy designed to tackle inter-class similarity and data imbalance with dynamic weight adjustment. Moreover, an interactive feature fusion module is introduced to integrate these features effectively for robust classification. We demonstrate the performance of DWCLF-Net in scar staging using our constructed scar sequence dataset. Compared to state-of-the-art temporal models, DWCLF-Net has proven its superiority by achieving 82.21% Accuracy, 83.16% Precision, 82.21% Recall, and 82.45% F1-score, significantly outperforming existing baseline models. These results validate the effectiveness of our model. Finally, we analyzed the correlation between clinical scar indicators and the Vancouver Scar Scale, finding a significant correlation between scar phase and prognosis. • Constructed a temporal scar sequence dataset to differentiate scar phases. • Developed a dual-path network for effective scar phase classification. • Introduced a weighted contrastive loss to improve recognition of minority classes. • Designed a feature fusion module with advanced self-attention mechanisms. • Achieved superior performance in scar staging compared to existing models.
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 | 0,001 | 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