可解释的对比与成本敏感学习在宫颈癌分类中的应用

Feb, 2024

可解释的对比与成本敏感学习在宫颈癌分类中的应用

Explainable Contrastive and Cost-Sensitive Learning for Cervical Cancer Classification

Ashfiqun Mustari, Rushmia Ahmed, Afsara Tasnim, Jakia Sultana Juthi, G M Shahariar

TL;DR本研究提出了一种高效的系统，利用预训练的卷积神经网络对宫颈癌细胞进行分类，通过优先考虑与高成本或重要性相关的类别的准确性来最小化错分成本。为了进一步提高模型的性能，使用了监督对比学习以增强模型对重要特征和模式的捕捉能力。通过在 SIPaKMeD 数据集上进行广泛实验评估了所提出的系统。实验结果表明，该系统的效果显著，准确率达到了 97.29%。为了增强系统的可信度，我们采用了若干可解释的 AI 技术解释模型达到特定决策的方式。系统的实现可在此链接中找到 - this https URL

Abstract

This paper proposes an efficient system for classifying cervical cancer cells using pre-trained convolutional neural networks (CNNs). We first fine-tune five pre-trained CNNs and minimize the overall cost of misc

cervical cancer cells convolutional neural networks fine-tuning supervised contrastive learning explainable ai techniques

发现论文，激发创造

可解释且成本敏感的深度神经网络通过监督对比学习进行肠胃疾病分类

本文介绍了一种新方法，通过利用费用敏感的预训练深度卷积神经网络和有监督对比学习分类胃肠疾病，以捕获与疾病相关的关键特征，并考虑样本之间的相似性关系，从而为医疗保健中的准确疾病分类提供帮助。作者还结合了可解释人工智能的梯度技术，提高了模型的可解释性，并在广泛的胃肠疾病数据集上进行了测试，证明了该方法的高度准确度、强韧性和可解释性。

Jul, 2023

一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

May, 2024

考虑数据不均衡的可解释的代价敏感深度神经网络用于脑 MRI 图像中的脑肿瘤检测

这篇论文提出了使用卷积神经网络 (CNN)、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 模型来高效检测脑肿瘤，以减少手工检查报告的时间并创建自动分类脑肿瘤的系统的研究。提出了一个自动化流程，其中包括 CNN、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 五个模型。在平衡数据集上评估了所提出架构的性能，并发现细调的 InceptionV3 模型的准确率为 99.33%。此外，还采用可解释的人工智能方法来可视化模型潜在行为，以了解其黑盒行为。为了进一步优化训练过程，提出了一种成本敏感的神经网络方法，以处理不平衡数据集，在我们的实验中取得了比传统模型准确率高近 4% 的成果。成本敏感的 InceptionV3 (CS-InceptionV3) 和 CNN (CS-CNN) 在不平衡数据集上分别显示出 92.31% 的准确率和 1.00 的召回率，具有很大的潜力来提高肿瘤检测准确度，并且必须进一步开发以应用于实际解决方案。我们提供了数据集，并公开了我们的实现。

Aug, 2023

精确的宫颈癌阴道镜图像分类中，深度学习描述符与特征降维的混合化

通过使用不同的深度学习描述符（ResNet50、ResNet101 和 ResNet152）以及适当的特征归一化（最小 - 最大）和特征约简技术（LDA），我们提出了一种新颖的计算机辅助诊断（CAD）系统，该系统在妇科癌症预防方面取得了异常的性能。我们在由世界卫生组织提供的 IARC 数据集上进行了实验，该数据集经过了初始的分割和平衡。我们的方法在正常和异常分类以及类型分类方面的表现范围为 97% 至 100%，同一数据集上的另一竞争性方法的性能为 81% 至 91%。

May, 2024

基于形态和外观卷积神经网络的子宫颈细胞细粒度分类

本研究提出了一种基于 CNN 的方法，通过结合细胞图像外观和形态学信息对 Pap 样本中的宫颈细胞进行分类，在 Herlev 宫颈数据集上验证了此方法的分类精度高于传统的手工特征分类方法，可用于宫颈病变的早期诊断。

Oct, 2018

子宫颈癌筛查的可解释乳房细胞表示

通过使用变分自编码器进行单类分类，本研究提出了一种学习解释性深度宫颈细胞表示的方法，以实现宫颈细胞异常的评分和定位，结果表明该方法能够在不使用异常样本进行模型训练的情况下，实现异常细胞的区分和解释。

Nov, 2023

卷积神经网络对癌症细胞病理学图像的分类：以乳腺癌为例

该研究介绍了使用卷积神经网络（CNN）对病理图像进行快速分类的方法，旨在提高乳腺病理图像检测的效率。研究采用了 Inceptionv3 架构和迁移学习算法提取病理图像特征，并引入图像分割概念处理高分辨率图像。通过三种算法：求和、乘积和最大值，聚合每个图像块的分类概率，实验证明该方法有效地提高了乳腺癌病理图像分类的准确性。

Apr, 2024

提高乳腺癌诊断在乳房 X 射线摄影中：卷积神经网络和可解释人工智能的评估和集成

通过将卷积神经网络（CNN）和可解释人工智能（XAI）相结合的综合框架，该研究在使用 CBIS-DDSM 数据集进行增强的乳腺癌诊断方面进行了介绍。研究结果显示，CNN 和 XAI 的有效合作有助于推进乳腺癌的诊断方法，从而在临床设置中更无缝地集成先进的人工智能技术，并通过提高 AI 决策的可解释性，为医学专业人员和患者提供更好的协作。

Apr, 2024

深度卷积神经网络用于乳腺癌组织学图像分析

本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了 93.8% 的准确性，97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性，超过了其他常见的自动组织病理学图像分类方法。

Feb, 2018

一种用于宫颈细胞学分类的投票 - 叠加集成 Inception 网络

通过使用投票集成策略将三个 Inception 网络作为基学习器并通过投票集成集成它们的输出，结合了元学习器和多级集成框架的方法，在 SIPakMed、Herlev 和 Mendeley 数据集上实现了 100%、100% 和 100% 的准确率，优于当前最先进的方法，减轻了筛查工作量，帮助病理学家检测宫颈癌。

Aug, 2023