Harnessing DenseNet Architecture for Reliable and Explainable Brain Tumor Classification in Medical Imaging: A Deep Learning-Based Diagnostic Approach
Notice bibliographique
Résumé
This paper presents a robust deep learning approach utilizing the DenseNet architecture to improve both the accuracy and interpretability of brain tumor detection from medical imaging data. Comprehensive testing assistance was done on a representative brain imaging data set where an elaborate feature selection and pre-processing features were included. Labeling of normal and abnormal cases with a clear distinction in the feature space (shown in the feature space using labels) was observed after the reduction of dimensionality using Principal Component Analysis (PCA). The performance of DenseNet model was thoroughly applied by confusion matrix, ROC curve, and trends of accuracy. The confusion matrix indicated great classification performance and any form of one normal case being misclassified as the abnormal case which was zero, and no abnormal cases were displayed as normal thus created a very good sensitivity and specificity. The ROC curve also supported the performance of the model which produced a remarkable area under the curve (AUC) of 1.00 indicating almost perfect discriminative capacity. Findings indicate that the DenseNet-based method can identify abnormal and normal scans of brain MRI with extraordinary precision and little misclassification. The disjoint of the classes in the transformed feature space demonstrated in the PCA confirms the interpretability of the model and opportunities to explain the classification choice to the clinicians. To conclude the work, it is possible to say that the work proves DenseNet to be an efficient, trustworthy, and explicable brain tumor detection deep-learning technique. The findings demonstrate strong promising diagnostic potential to be used in supporting quicker, more accurate, and explainable decision-making in practice.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 | 0,000 |
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 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 ».