Towards Efficient Pruning and Multi-Scale Feature Transformations to Uncover Medical Diseases
Notice bibliographique
Résumé
This study addresses a critical challenge in medical imaging diagnostics by proposing a unified, lightweight deep learning model capable of diagnosing multiple diseases across diverse imaging modalities, including chest X-rays, MRIs, skin images, and endoscopic images, within a single efficient framework. Each modality presents unique feature characteristics, introducing complexities in the diagnostic process. To enhance image quality, we apply Contrast Limited Adaptive Histogram Equalization and utilize the Vision Transformer for improved feature extraction and diagnostic performance. To tackle remaining challenges, we introduce the ChirpMBPru-Net model, designed to analyze multiple image modalities in medical imaging while minimizing computational demands. This model employs the efficient MobileNet architecture as its backbone and systematically applies pruning to remove redundant layers. Moreover, a dense module for multi-scale feature extraction and the Chirplet transformation are employed in the pruned model, capturing both frequency and spatial patterns at varying scales. Additionally, the ChirpMBPru-Net model demonstrates its versatility by adapting to domain shifts in engineering fields, such as defect detection in industrial applications (e.g., scholar defect detection), where it can classify multiple categories of the same object or defect type. The model achieves an impressive accuracy of 97% across 16 disease categories and proves effective in handling real-world domain shifts, demonstrating its potential for both medical and engineering applications.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».