Hybrid ResNet-ViT Framework for Endometrial Lesion Analysis: A Comparative Study of MRI and CT in Endometrial Cancer Classification
Notice bibliographique
Résumé
Omar H Abu-azzam,1 Amer Mahmoud Sindiani,2 Salem Alhatamleh,3 Mohammad Amin,3 Hamad Yahia Abu Mhanna,4 Rola Madain,2 Hanan Fawaz Akhdar,5 Hasan Gharaibeh,6 Omar F Altal,2 Eman Hussein Alshdaifat,7 Tarfah Majed Alinad,5 Fatimah Maashey,5 Ahmad Nasayreh,6 Ayah Bashkami,8 Latifah Alghulayqah5 1Department of Obstetrics and Gynecology, Faculty of Medicine, Mutah University, Al-Karak, Jordan; 2Department of Obstetrics and Gynecology, Faculty of Medicine, Jordan University of Science and Technology, Irbid, Jordan; 3Computer Science Department, Faculty of Information Technology and Computer Sciences, Yarmouk University, Irbid, Jordan; 4Department of Medical Imaging, Faculty of Allied Medical Sciences, Isra University, Amman, Jordan; 5Physics Department, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh, Saudi Arabia; 6Artificial Intelligence and Data Innovation Office, King Hussein Cancer Center, Amman, Jordan; 7Department of Obstetrics and Gynecology, Faculty of Medicine, Yarmouk University, Irbid, Jordan; 8Department of Medical Laboratory Sciences, Al Balqa Applied University, Salt, JordanCorrespondence: Hanan Fawaz Akhdar, Email hfakdar@imamu.edu.saAim: This study aimed to evaluate and compare the diagnostic performance of computed tomography (CT) and magnetic resonance imaging (MRI) in the detection of endometrial cancer, using a deep learning approach.Methods: Two endometrial image sets were obtained from King Abdullah University Hospital: the KAUH Endometrial Cancer MRI dataset (KAUH-ECMD) and the KAUH Endometrial Cancer CT dataset (KAUH-ECCTD), collected from 300 patients aged between 22 and 85. A hybrid deep learning model combining ResNet50 and Vision Transformer (ViT) was applied to classify the images into three categories: benign, malignant, and normal.Results: The proposed ViTNet model achieved an accuracy of 90.24% in detecting endometrial cancer using MRI images and 86.99% using CT images. The MRI-based approach demonstrated superior diagnostic performance in detecting endometrial cancer compared to CT-based classification.Conclusion: Deep learning models utilizing MRI and CT images demonstrate high accuracy in classifying endometrial cases. MRI in particular shows promise in supporting diagnostic workflows. Future work will focus on further validating the model’s ability to evaluate depth of invasion and other prognostic features.Keywords: endometrial neoplasms, magnetic resonance imaging, computed tomography, deep learning, radiomics
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».