Pap Smear Image Classification with Efficient Weight Regularization for Cervical Cancer Diagnosis
Notice bibliographique
Résumé
Pap smears, also known as pap tests, can identify abnormal cells early that develop cervical cancer, allowing for timely intervention and treatment.Even though the incidence rate is reduced in this modern era, it poses a significant risk to human life and should be taken very seriously.An accurate and rapid system for classifying pap smear images is necessary to provide appropriate therapy.Deep Neural Networks (DNNs) have garnered much interest in recent years and have shown outstanding categorization results in computer vision.An efficient Pap Smear Image Classification (PSIC) system with Efficient Weight Regularization (EWR) in DNN is presented in this study.The main problem with neural networks is that they have large weights that overfit the training data.To overcome this difficulty, the EWR approach is employed to penalize the large weights using grid search.The proposed non-invasive support system detects pap-smear images with cancerous cells.The HERLEV dataset comprises 675 digitized abnormal images, and 242 normal images are utilized for the classification task.When using the capabilities of the EWR-DNN combination, the proposed PSIC system can work at its absolute best.The concepts described in this study also provide a possible path to increase the categorization accuracy of all medical diagnoses.Results show that the PSIC system, which employs EWR approach achieves 98.9% classification accuracy, 99.3% specificity and 98.5% sensitivity using a regularization parameter of 10 -3 .The comparison study with other deep learning models such as VGG, ResNet, AlexNet and GoogleNet also shows the superior performance of the PSIC system.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».