TransfusionNet: Framework for cervical cancer detection using deep learning with multi-level fusion
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
This paper presents a hybrid deep learning model, TransfusionNet, comprising VGG19, ResNet50, and ViT with fusion for early detection of cervical cancer. An improved medical image preprocessing technique combining contrast-limited adaptive histogram equalization (CLAHE), Laplacian sharpening, bilateral filtering, and unsharp masking has been applied to enhance image quality. An early-layer feature fusion strategy was used to enhance feature diversity and improve decision-making, unlike conventional methods that fuse only at final layers. The fusion strategy combines features from VGG19, ResNet50, and ViT at multiple stages using concatenation and element-wise addition, allowing integration of detailed and high-level information across different levels. Two separate transition blocks were used to align VGG19 and ResNet50 outputs at different layers. TransfusionNet is trained and tested on the publicly available SIPaKMeD dataset, containing 4,049 images of five classes. TransfusionNet is also verified on Herlev and LCPSI datasets. The five-fold cross-validation was employed to mitigate overfitting and enhance models' robustness and generalizability. TransfusionNet demonstrates promising results for early cervical cancer detection, achieving state-of-the-art performance on the SIPaKMeD dataset. For batch size 128, TransfusionNet achieved an average accuracy of 99.40%, an F1-score of 99.36%, sensitivity of 99.25%, and Cohen's Kappa of 99.67% across the five folds. On the SIPaKMeD dataset, the proposed model outperformed the best-performing model by 3.77% among the cited models. On the Herlev and LCPSI datasets, TransfusionNet surpassed the top-performing methods by 6.50% and 1.22% in accuracy, respectively. Future work will focus on validating the model on larger and more diverse datasets. The source code is available at https://github.com/souravbasakshuvo/TransFusionNet . • Feature fusion strategy implemented via bi-fusion and aggregated feature fusion. • Improved preprocessing using bilateral filtering, CLAHE, and Laplacian sharpening. • Evaluation of CNNs, RNNs, and transformers for effective feature extraction. • Improved feature extraction strategy utilizing VGG19, ResNet50, and ViT.
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 | 0,001 |
| 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