A Novel DenseNet Framework for Brain Tumor Classification Enhanced by XgBoost and Fire Hawk Optimization
Notice bibliographique
Résumé
Nowadays, Brain tumours are the most crucial disease that is spreading rapidly all around the world.According to the statistics, more than a thousand people are losing their lives to this tumour in every country.The early prediction of tumours can help to diagnose and overcome the disease quickly.For an earlier prediction, there are Numerous research techniques like deep learning (DL) and machine learning (ML) models used for feature extraction and classification.In some cases, the hybrid models are also used for feature extraction and classification.However, the accuracy is not attained up to the level of satisfaction for various tumours like Glioma, pituitary, and meningioma.We propose a novel DenseNet architecture incorporating Self-Calibrated Squeeze-and-Excitation (SC-SE) for enhanced feature extraction and representation.The SC-SE DenseNet integrates SC Convolutions (SC-Conv) and SE Blocks within a DenseNet framework.SC-Conv dynamically recalibrates both spatial and channel-wise features, which improves the model's ability to adapt to diverse input variations.SE blocks are used to concentrate important channels for better feature learning.The extracted features from SC-SE DenseNet are classified using the XGBoost classifier.To further optimize performance, the Fire Hawk Optimizer (FHO) is used for feature selection and hyperparameter tuning.FHO aids in selecting the most relevant features from the input image and reduces dimensionality.Additionally, FHO is used to fine-tune the parameters of the XGBoost classifier to increase the classification accuracy.
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 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 | 0,001 |
| 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».