Self-DenseMobileNet：基于 Self-ONN 和堆叠型元分类器的肺结节分类强健框架
图像与视频处理
2024-10-17 v1 计算机视觉与模式识别
机器学习
摘要
本研究提出一种新型且稳健的框架，名为 Self-DenseMobileNet，用于提高胸腔 X 光片（CXR）中肺结节与非结节分类的准确度。我们的方法整合了先进的图像标准化和增强技术，以优化输入质量，从而提高分类准确度。为提高预测准确度并发挥多模型优势，将 Self-DenseMobileNet 的预测概率转换为表格数据，并用于训练八个经典机器学习模型；将表现最好的三个模型组合通过堆叠算法，创建能够整合其集体洞见以实现卓越分类性能的稳健元分类器。为提高结果的可解释性，我们采用类激活图（CAM）来可视化最佳性能模型的决策过程。我们提出的框架在内部验证数据上表现卓越，采用 Meta-Random Forest 分类器实现 99.28% 的准确率。在外部数据集上测试时，该框架保持了强大的可泛性，准确率达 89.40%。这些结果突显了在肺结节肺部 X 光片分类方面显著的提高。
引用
@article{arxiv.2410.12584,
title = {Self-DenseMobileNet: A Robust Framework for Lung Nodule Classification using Self-ONN and Stacking-based Meta-Classifier},
author = {Md. Sohanur Rahman and Muhammad E. H. Chowdhury and Hasib Ryan Rahman and Mosabber Uddin Ahmed and Muhammad Ashad Kabir and Sanjiban Sekhar Roy and Rusab Sarmun},
journal= {arXiv preprint arXiv:2410.12584},
year = {2024}
}
备注
31 pages