A Voting-Stacking Ensemble of Inception Networks for Cervical Cytology Classification

要約

子宮頸がんは、女性の健康を脅かす最も重篤な病気の 1 つです。
早期の発見と診断はがんのリスクを大幅に軽減することができ、そのためには子宮頸部の細胞診による分類が不可欠です。
研究者たちは最近、自動子宮頸がん診断用に多くのネットワークを設計しましたが、これらの個々のモデルの精度が限られており、サイズが大きいため、実際のアプリケーションのニーズを満たすことができません。
この問題に対処するために、私たちは、3 つのインセプション ネットワークを基本学習器として採用し、投票アンサンブルを通じてその出力を統合する、投票スタッキング アンサンブル戦略を提案します。
アンサンブル モデルによって誤分類されたサンプルは、新しいトレーニング セットを生成し、その上で線形分類モデルがメタ学習者としてトレーニングされ、最終的な予測が実行されます。
さらに、マルチレベルのスタッキング アンサンブル フレームワークは、パフォーマンスをさらに向上させるように設計されています。
このメソッドは SIPakMed、Herlev、Mendeley データセットで評価され、それぞれ 100%、100%、100% の精度を達成しています。
実験結果は現在の最先端（SOTA）法を上回り、スクリーニングの作業負荷を軽減し、病理学者による子宮頸がんの検出に役立つ可能性を示しています。

要約(オリジナル)

Cervical cancer is one of the most severe diseases threatening women’s health. Early detection and diagnosis can significantly reduce cancer risk, in which cervical cytology classification is indispensable. Researchers have recently designed many networks for automated cervical cancer diagnosis, but the limited accuracy and bulky size of these individual models cannot meet practical application needs. To address this issue, we propose a Voting-Stacking ensemble strategy, which employs three Inception networks as base learners and integrates their outputs through a voting ensemble. The samples misclassified by the ensemble model generate a new training set on which a linear classification model is trained as the meta-learner and performs the final predictions. In addition, a multi-level Stacking ensemble framework is designed to improve performance further. The method is evaluated on the SIPakMed, Herlev, and Mendeley datasets, achieving accuracies of 100%, 100%, and 100%, respectively. The experimental results outperform the current state-of-the-art (SOTA) methods, demonstrating its potential for reducing screening workload and helping pathologists detect cervical cancer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google