AI Guided Early Screening of Cervical Cancer

要約

異常検出のための信頼できる機械学習モデルの作成をサポートするために、このプロジェクトは医療画像データセットの前処理、強化、編成に焦点を当てています。
データセットには、正常と異常、および追加のノイズ変動という 2 つの分類があります。
写真の品質を向上させるために、端に見える医療機器などの望ましくないアーティファクトが中央トリミングを使用して除去されました。
明るさとコントラストの調整は、追加の前処理プロセスの 1 つです。
次に、正規化を実行してデータを正規化しました。
分類作業を容易にするために、データセットは、いくつかの画像サブセットを 2 つの主要なカテゴリ (正常および病理学的) に結合することによって系統的に処理されました。
現実世界の状況によく適応する強力なトレーニング セットを提供するために、コントラスト強調やリアルタイム拡張 (回転、ズーム、明るさの変更を含む) などの高度な画像前処理技術が使用されました。
効率的なモデル評価を保証するために、データはその後トレーニングとテストのサブセットに分割されました。
医療異常検出のための正確かつ効果的な機械学習モデルを作成するために、この徹底したアプローチにより高品質の入力データが保証されます。
プロジェクト パイプラインは柔軟でスケーラブルな設計なので、より大規模な臨床意思決定支援システムと簡単に統合できます。

要約(オリジナル)

In order to support the creation of reliable machine learning models for anomaly detection, this project focuses on preprocessing, enhancing, and organizing a medical imaging dataset. There are two classifications in the dataset: normal and abnormal, along with extra noise fluctuations. In order to improve the photographs’ quality, undesirable artifacts, including visible medical equipment at the edges, were eliminated using central cropping. Adjusting the brightness and contrast was one of the additional preprocessing processes. Normalization was then performed to normalize the data. To make classification jobs easier, the dataset was methodically handled by combining several image subsets into two primary categories: normal and pathological. To provide a strong training set that adapts well to real-world situations, sophisticated picture preprocessing techniques were used, such as contrast enhancement and real-time augmentation (including rotations, zooms, and brightness modifications). To guarantee efficient model evaluation, the data was subsequently divided into training and testing subsets. In order to create precise and effective machine learning models for medical anomaly detection, high-quality input data is ensured via this thorough approach. Because of the project pipeline’s flexible and scalable design, it can be easily integrated with bigger clinical decision-support systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google