Enhancing Manifold Convexity in Deep MRI Image Clustering Using Adversarial Learning
Notice bibliographique
Résumé
Till today, no cure has been found for some diseases such as cancer and early detection remains the only reliable way to increase the survival chances for patients. Recently, machine learning has been used to aid in the diagnosis of large numbers of patients, especially using medical image data such as Magnetic Resonance Imaging images. However, due to the difficulty of obtaining large and labelled datasets, clustering techniques have been favored in this field of research with particular interest in deep clustering which has proven capable of understanding and accurately grouping highly complex data. One of the most recent developments in deep clustering came in the form of the dynamic auto-encoder (DynAE), which solves a historic problem that faced autoencoders (AEs) prior. However, it suffers from feature twist, a phenomenon which causes the cluster boundaries to flatten and become coarse and more complex which in turn hinders the clustering performance. This study proposes a new model (AdversFAE) using adversarial learning to combat feature drift in the auto-encoders by utilizing adversarial constrained interpolation in the clustering phase to escape feature twist. The proposed model was tested on six datasets from the MedMNIST v2 collection of medical datasets. The results showed that the proposed model outperformed the convolutional dynamic autoencoder (ConvDynAE) in terms of accuracy and F1_score. Interestingly, AdversFAE achieved an accuracy of 85.9%, 66.9%, and 53.5% on PneumoniaMNIST, BloodMNIST, and RetinaMNIST respectively compared to $62.1 \%, 46.3 \%$, and 31.5% achieved by ConvDynAE on the same datasets. The proposed changes proved effective in improving the convexity of cluster boundaries and hence the clustering performance.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».