Self-DenseMobileNet: A Robust Framework for Lung Nodule Classification using Self-ONN and Stacking-based Meta-Classifier

要約

この研究では、胸部 X 線写真 (CXR) における結節と非結節の分類を強化するように設計された、新規で堅牢なフレームワーク Self-DenseMobileNet を提案します。
私たちのアプローチは、高度な画像の標準化と強化技術を統合して入力品質を最適化し、それによって分類精度を向上させます。
予測精度を高め、複数のモデルの長所を活用するために、Self-DenseMobileNet からの予測確率が表形式のデータに変換され、8 つの古典的な機械学習 (ML) モデルのトレーニングに使用されました。
次に、上位 3 つのパフォーマーがスタッキング アルゴリズムを介して結合され、優れた分類パフォーマンスを実現するために集合的な洞察を統合する堅牢なメタ分類器が作成されました。
結果の解釈可能性を高めるために、クラス アクティベーション マッピング (CAM) を使用して、最もパフォーマンスの高いモデルの意思決定プロセスを視覚化しました。
私たちが提案したフレームワークは、内部検証データで優れたパフォーマンスを実証し、メタランダム フォレスト分類器を使用して 99.28\% の精度を達成しました。
外部データセットでテストした場合、フレームワークは 89.40\% の精度で強力な一般化性を維持しました。
これらの結果は、肺結節を伴う CXR の分類が大幅に改善されたことを強調しています。

要約(オリジナル)

In this study, we propose a novel and robust framework, Self-DenseMobileNet, designed to enhance the classification of nodules and non-nodules in chest radiographs (CXRs). Our approach integrates advanced image standardization and enhancement techniques to optimize the input quality, thereby improving classification accuracy. To enhance predictive accuracy and leverage the strengths of multiple models, the prediction probabilities from Self-DenseMobileNet were transformed into tabular data and used to train eight classical machine learning (ML) models; the top three performers were then combined via a stacking algorithm, creating a robust meta-classifier that integrates their collective insights for superior classification performance. To enhance the interpretability of our results, we employed class activation mapping (CAM) to visualize the decision-making process of the best-performing model. Our proposed framework demonstrated remarkable performance on internal validation data, achieving an accuracy of 99.28\% using a Meta-Random Forest Classifier. When tested on an external dataset, the framework maintained strong generalizability with an accuracy of 89.40\%. These results highlight a significant improvement in the classification of CXRs with lung nodules.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google