ECgMLP: A novel gated MLP model for enhanced endometrial cancer diagnosis
Notice bibliographique
Résumé
• ECgMLP offers a novel approach for automated diagnosis of endometrial cancer. • Advanced preprocessing boosts histopathological image quality and accuracy. • Otsu thresholding and watershed aid in precise image segmentation. • ECgMLP achieves 99.26 % accuracy, surpassing prior diagnostic techniques. Endometrial cancеr is the fourth fastеst-growing cancеr among women worldwide, affecting the uterus's lining. This research proposes a novel approach called ECgMLP for the automated diagnosis of endometrial cancer by analyzing histopathological images. Several preprocessing techniques are employed to increase the quality of the images, including normalization, Non-Local Means denoising, and alpha-beta enhancement. Effective segmentation is achieved through a combination of Otsu thresholding, morphological operations, distance transformations, and the watershed approach to identify major regions of interest. Through a sequence of blocks, the ECgMLP architecture processes input images to remove unimportant patterns. Model hyperparameters are improved via ablation research. The evaluations show a maximum accuracy of 99.26 % for identifying multi-class histopathological categories of endometrial tissue, which is higher than the previous best technique. The proposed model offers an automated, correct diagnosis, enhancing clinical processes. This proposition could be added to the current tools for finding endometrial cancer early, leading to better 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,003 | 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 ».