Optimized DeepLabV3+ for Clinical Data Analysis through Advanced Particle Swarm Optimization‐Based Channel Selection
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
Medical image analysis of complex neurological diseases, such as brain tumors and Alzheimer's disease, is challenging due to subtle pathological features. Traditional deep learning models often extract redundant features that hinder segmentation accuracy. To address this limitation, a novel machine‐learning framework is proposed that combines an Extended Exploration Particle Swarm Optimization (EE‐PSO) algorithm with a modified DeepLabV3+ architecture to enhance feature selection and improve segmentation performance in medical imaging tasks. The two main contributions are 1) a structurally optimized DeepLabV3+ model that uses dynamic EE‐PSO‐driven channels instead of standard convolutional layers to adaptively prioritize important features during training, and 2) an improved PSO algorithm that incorporates particle reinitialization and adaptive inertia weight adjustment to reduce premature convergence and enhance global search capabilities. The atrous spatial pyramid pooling module has the EE‐PSO component strategically incorporated inside it, allowing for the synergistic integration of multi‐scale contextual information with optimal feature maps. The system demonstrates improvements in mean intersection over union (mIOU) of 2.7% and 2.8% when tested on Alzheimer's and brain tumor datasets. Through the integration of deep feature learning, this study improves the precision‐autonomy trade‐off in medical image analysis.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 découle