Tıbbi Görüntülerden Maymun Çiçeği Otomatik Teşhisi İçin Yenilikçi Hibrit CNN-Transformer Derin Öğrenme Modelleri

Özet

2.280 deri lezyonu görüntüsünden oluşan kürenmiş bir koleksiyonun kullanımı, her görselde mpox varlığını sınıflandırmak için standartlaştırılmış ikili derin öğrenme iş akışı oluşturdu. Özel ve InceptionV3, ResNetV2, ResNet50, DenseNet121 ve hibrit CNN-transformatör modeli, ortak bir ön işleme ve eğitim boru hattı bağlamında karşılaştırıldı.

Özet

Maymun çiçeği derisi lezyonlarının görsel görünümü, diğer veziküler ve pustular cilt hastalıklarına benzerlikleri nedeniyle hâlâ zayıf şekilde belirlenmiştir. Bu makale, konvolüsyon ve transformasyon tabanlı özellik kodlayıcılarıyla entegre edilmiş hibrit derin öğrenme modelinin birleşik deneysel bir boru hattı içinde mpox görüntülerini otomatik olarak sınıflandırabileceği hipotezini test etti. Modeller ve raporlar arasında tutarlılığı sağlamak için ana analiz ikili bir görev olarak gerçekleştirildi: mpox ile aynı veya benzer sunuma sahip diğer koşullar arasında. Bu kıyaslama verileri 2.280 görüntüden oluşuyordu: 1.020 mpox ve 1.260 mpox olmayan lezyon görüntüsü. Görüntüler standart giriş boyutuna 150 × 150 piksel olarak küçültüldü ve değerler [0, 1] aralığındaydı. Eğitim sırasında görüntüler döndürme, çevirme, kesme, yakınlaştırma ve yatay çevirme ile güçlendirildi. Özel bir Sequential CNN, InceptionV3, ResNetV2, ResNet50, DenseNet121 ve önerilen hibrit CNN-transformatör mimarisi karşılaştırıldı. Her temel model 15 dönem boyunca Adam optimizatoru ve ikili çapraz entropi kaybı kullanılarak eğitildi. Eğitim ve doğrulama doğruluğu, kayıp, hassasiyet, geri çağırma, F1 puanı ve alıcı çalışma karakteristik eğrisinin altındaki alan performans değerlendirmesi için ölçüldü. En iyi bildirilen iç doğrulama doğruluğu Sequential CNN ile gözlemlendi ve hibrit model 98.50 hassasiyet, 98.50 geri çağırma ve 98.58 F1 puanı elde ederek dengeli bir ayırtıcı profil elde etti. InceptionV3 aşırı uyum belirtileri gösteriyor ve ResNetV2 sağlam bir genelleme testini destekleyecek yeterli doğrulama verisi sağlamadı. Genel olarak, hibrit model uygulanabilir ve dengeli bir strateji olarak görülebilir ve tüm temel çizgilerden mutlaka daha iyi olmayabilir.

Giriş

Tıbbi vakalarda mpox'un otomatik ve hızlı tespiti, hastalık ilk görsel değerlendirmede çeşitli diğer veziküler veya pustüller patlamalara benzer olabileceği için klinik olarak önemlidir. Uygulamada klinisyenler sadece lezyonların morfolojisine çok fazla dikkat etmezler, ancak desen, dağılım, öykü, maruziyet riski, epidemiyolojik bağlam ve laboratuvar doğrulamasını^{birleştirirler.} Buna rağmen, hesaplama araçları görüntüleri kullanır ve yetenekli dermatolojik incelemenin kısıtlandığı veya geciktiği ortamlarda faydalı bir triaj prosedürü de uygulayabilir. Özellikle salgın takibi, teledermatoloji taraması ve kaynak kısıtlı olan, önceliklendirilmesi gereken önemli sayıda vaka içeren ortamlarda özellikle geçerlidir.

Derin öğrenmeye dayalı yaklaşımlar da bu göreve cazip hale gelmiştir; çünkü manuel olarak oluşturulması gereken tanımlayıcılar kullanmadan lezyonların ayırt edici görüntülerini^{keşfedebilirler 2}. Literatürdeki en popüler inceleme, yerel doku, renk aralığı ve lezyon kenarı tanıma konusundaki etkinliği nedeniyle konvolüsyon sinir ağlarına^{aittir 3}. Son çalışmalar, görüntünün daha büyük bir mekansal bağımlılığını modellemeye çalışan transfer öğrenme, dikkat mekanizmaları ve transformatör modüller sayesinde bu paradigmayı daha da geliştirmiştir. Buna rağmen, mpox ile ilgili literatürde yüksek rapor edilen performans var ve bu durum dikkatli değerlendirilmelidir. Çok çeşitli çalışmalar seyrek halka açık veri setleri kullanmış, farklı heterojen sınıf setlerine sahip olmuş veya sonuçları çeşitli ön işleme ve doğrulama rejimleriyle^{karşılaştırmıştır 4}. Bu nedenle, performans artışlarının gerçekten üstün bir modelden, arzu edilen bir bölünmeden, güçlü bir artıştan mı yoksa temel görevin formülasyonundaki eşitsizliklerden mi kaynaklandığı konusunda sıkça bir ikilem ortaya çıkar.

Mpox, halk sağlığı üzerinde olumsuz etkileri olan önemli bulaşıcı hastalıklardan biri olmaya devam etmektedir; çünkü cilt enfeksiyonlarıyla ilgili lezyonları, birincil muayene sırasında göz taraması sırasında arayüzdeki diğer veziküler ve pustüler lezyonlarla karıştırılabiliyor^{gibi görünmektedir.} Pratikte, klinisyenler mpox tanısı morfolojiye göre koymazlar: desen, dağılım, öykülü, epidemiyoloji ve laboratuvar onayı tanı kararının^{bileşenleridir 6}. Buna rağmen, özellikle dermatologların deneyimi yetersiz, yavaş veya mevcut olmayan durumlarda, görüntülere dayanan hesaplama araçları sayesinde triaj sürecinde faydalı bir rol oynayabilirler. Teledermatolojide, salgının tarama ile ele alınması gereken durumlarda ve kaynak kısıtlı yerlerde, öncelikler listesinde şüpheli vakaların hızla ele alınması gereken^{yerlerde uygulanabilir 7}.

Derin öğrenme tabanlı yöntemler, ayırt edici lezyon temsillerini öğrenmeye izin verdikleri için, bu tür temsilleri el yapımı tanımlayıcılar olmadan öğrendikleri için bu görev için cazip olur; giriş görgelerinin özelliklerine^{bağlı olarak 8}. Dermatolojik görüntüler alanında, görüntüleri analiz ederken konvolüsyon sinir ağlarını (CNN) kullanmak büyük bir heyecan yaratmıştır; çünkü bu ağalar yerel doku, lezyonların çevresi ve mükemmel morfoloji anlamını kodlama yeteneğine sahiptir. Daha sonraki çalışmalar, transfer öğrenme, dikkat ve transformator tabanlı alt modüller aracılığıyla bu paradigmayı sağladı; böylece daha genel mekansal ilişkiler ve bağlamsal eğilimler^{öğrenildi 9}. Buna rağmen, mpox görüntüleme ile ilgili literatür hâlâ heterojendir. Performansın sadece mimari seçimine değil, aynı zamanda veri seti yapısına, artırma planına, sınıf tanımına ve doğrulama^yapısına da dayandığı yaygın değildir. O zaman, iyi başlık performansı mutlaka genelleştirmenin arttığını göstermez.

Mevcut çalışmada, bu sorun daha algılanabilir ve içsel olarak tutarlı bir ikili mpox görüntü sınıflandırma kıyaslaması¹¹ kullanılarak çözülmüştür. Tamamen yeni bir hibrit mimari önerme formatında katkıyı tartışmıyor; çünkü CNN-transformatör yöntemleri literatürde zaten serpiştirilmiştir¹². Bunun yerine, deney standart bir karşılaştırma yapar; burada ekstra çok sınıflı kanıtlar, ön işleme/eğitim ve model performansı protokol dostu bir şekilde ele alınır ve model performansı deney^{ortamı 13'e} kıyasla muhafazakar bir şekilde değerlendirilir. Bu paradigmada, CNN-transformator modeli işlevsel öneme sahip olabilir çünkü CNN'ler yerel lezyon bilgisini yakalamak için optimal şekilde yapılandırılırken, transformator tabanlı temsiller dermatolojide ilgi çekici uzun menzilli mekansal yapıyı temsil etme potansiyeline sahiptir.

Mpox'un son görsel sınıflandırma araştırmaları, bir metodolojiye dayanan üç geniş araştırma akımına ayrılabilir. İkincisi, olgunluğu, hesaplama hızı ve lezyon-özgül dokuların yeniden oluşturulması nedeniyle geleneksel CNN'lere ve aktarım öğrenmesine^{dayanmaktadır 14}. İkincisi, küresel lezyon bağlamını öğrenmek için daha uygun olan dikkat odaklı veya transformatör modelleri inceler. Üçüncüsü, yerel hassasiyeti korumak için hibrit boru hatlarında konvolüsyon ve dikkat bütünlüğünü sağlar ancak daha büyük vücut bağlamsal modelleme kullanır. Çalışmaların birkaçı yüksek performans bildirir ve veri setinin büyüklüğü, kürasyon stratejisi, sınıf yapısı, ön işleme ve doğrulama protokolü¹⁵ açısından farklılık gösterir ve bu durum doğrudan kolayca karşılaştırılamaz. Bunlar ikili sınıflandırma odaklı, çok sınıflı dermatolojik ayrımcılığa odaklıdır ve hepsinin aynı değerlendirme ölçütlerine sahip değildir. Halka açık olan Mpox görüntü veri setleri, bölünmüş kontrol yeterli olmazsa görünen performansın şişirilmesini gerektiren neredeyse kopyalanmış veya çok benzer görüntüler içerebilir¹⁶.

Verilen analiz, 2.280 cilt lezyonları, 1.020 mpox fotoğrafı ve 1.260 diğer fotoğraftan oluşan kontrollü ikili bir sete dayanmaktadır. Diğer kategori, çıplak gözle görülen mpox olmayan lezyonlarla örtüşüyor ve bu da görevi, tam dermatolojik lokalizasyon sistemine kıyasla klinik açıdan ilginç erken bir triaj formülasyonu^{sunuyor 17}. Görüntülerin tamamı ölçülendirildi, normalleştirildi, standartlaştırıldı ve artırıldı ve tipik bir iç eğitim-doğrulama hattında değerlendirildi. Ana amaç, geleneksel ve hibrit derin öğrenme modellerinin davranışlarını şeffaf bir kıstada karşılaştırmak ve önerilen hibrit mimarinin popüler temellere kıyasla ayrımcılık ve yorumlanabilirlik arasında üstün bir denge sunup sunmadığına dair bir sonuca varmaktı.

Mevcut revize versiyonun ele aldığı kesin boşluk, hibrit modelin sunumu değildir; çünkü hibrit CNN-transformatör stratejileri literatürde zaten ele alınmıştır. Bunun yerine, asıl ikili görevi ve keşif amaçlı çok sınıflı çıktıları göz ardı eden, ön işleme ve eğitim boru hattını tekrarlanabilir şekilde karakterize eden ve model performansını yenilik veya klinik hazırlık düzeyini abartmayan şekilde sunan daha belirgin, içsel tutarlı bir metrik olması^{gerektiğidir 18}. Bu açıdan, CNN'ler yerel özellik çıkarımında üstün olduğu için hibrit bir mimari düşünülmeye değer ve transformator benzeri dikkat, teoride küresel lezyon konfigürasyonlarını ve uzun menzilli uzamsal bağlantıları modelleyerek görsel tanıya yardımcı^{olabilir 19}. Pratik soru, hibrit tasarımın aynı seçilmiş veri açısından tipik temellere kıyasla ayrımcılık, istikrar ve yorumlanabilirlik arasında olumlu bir dengeye sahip olup olmayacağı değil, vergilendirme, istikrar ve yorumlanabilirlik arasında iyi bir denge sağlayıp sağlamadığıdır.

Mpox görüntü analizi üzerine en son çalışmalar, yöntemlerin incelenmesinin üç genel akımına ayrılabilir. İlki, olgunlukları, hesaplama verimliliği ve lezyona özgü dokuları ile yerel morfolojik özellikleri öğrenme yetenekleri nedeniyle geleneksel CNN'ler ve transfer-öğrenme^{mimarileri kullanır 20}. İkinci akış, özellikle doku yamaları bağlamsal lezyon dağılımından oluştuğunda, lezyon alanı üzerindeki daha geniş mekansal çağrışımları yakalayabilmek için görme-dönüştürücü veya dikkat artırıcı modeller sunar; bu nedenle, bunlar bireysel doku yamaları kadar önemli olabilir. Üçüncü akış, CNN'lerin yerel hassasiyetini korumaya çalışırken dikkat bloklarının bağlamsal modelleme yeteneğini kullanarak hibrit boru hatlarını desteklemeye yönelik konvolüsyon ve destek dikkatini ekler.

Bu çalışmaların çoğu mükemmel doğruluk iddia etse de, veri setleri arasında boyut, küratörlük stratejisi, sınıf bileşimi ve doğrulama tasarımı farklılıkları nedeniyle çapraz çalışma çalışmaları kolay bir iş^{değildir 21}. İkili ayrımcılığı değerlendiren yayınlar vardır; çok sınıflı dermatolojik kategorilendirmeyi değerlendirenler ise raporlama hassasiyeti ve hatırlama açısından dengelidir; bazıları ise doğruluğa^odaklanır. Ayrıca, bildirilen mpox veri setleri çevrimiçi görüntü koleksiyonlarına, küratör koleksiyonlara veya artırılmış alt kümelere dayanabilir; bu da tren doğrulama sızıntısı veya neredeyse tekrarlanan görüntüler iyi yönetilmediğinde bildirilen performansı artırabilir. Böylece Tablo 1 , önceki çalışmaların sadece bir derlemesi olarak değil, model ailelerinin, veri seti kısıtlamalarının ve bu araştırmada sunulan yöntemlerin sunduğu fırsatların şematik haritası olarak tutulmaktadır.

Verilen çalışmanın metodolojik değeri daha sınırlı ve daha savunulabilir bir şekilde yansıtılır. Bu makale, sunulan derlenmiş veri seti yardımıyla şeffaf ikili kıyaslamanın gerekliliğini ele alacak, ön işleme ve eğitim prosedürünü raporlayacak ve önerilen hibrit modeli popüler temel²³ ile doğrudan karşılaştıracak. Bu değişiklikler ayrıca ana ikili deney ile takviye çoklu sınıf kanıtını, performans iddialarının uygun deneysel bağlamla ilişkilendirilmesine olanak tanıyacak şekilde^{ayırır. 24}. Bu fark, model davranışı, raporlanan ölçümler ve pratikliğin dissorsif analizinde belirleyici bir fark yaratır.

Bu yazının ana deneyi, elle hazırlanmış ve cilt lezyonları ile ilgili daha küçük bir 2280 görüntü setinde yapılan ikili sınıflandırma deneyidir. Bu veri setinde mpox olarak tanımlanan fotoğraf sayısı 1.020, diğer olarak kategorize edilenler ise 1.260 idi. Diğer kategori ise, çoğunlukla el yazmasında suçiçeği ve kızamık benzeri lezyonlar olarak adlandırılan ve görsel karaktere sahip mpox ile ilişkili olmayan dermatolojik^{görünümlerin sunumunu içerir 25}. Bu çift adlandırma, modelin şüpheli mpox ve görsel olarak kafa karıştırıcı alternatifleri ayırıp ayıramadığını sorgulaması, ancak aynı zamanda tam çok sınıflı dermatoloji kıytemasından daha az karmaşık olması nedeniyle bu ikili gruplamayı ilkel bir tarama formülasyonu olarak klinik olarak önemli kılar.

Modellerin eğitimi standartlaştırılmalıydı; tüm görüntüler eğitilmeden önce önceden işlenirdi. Yeniden boyutlandırma, yoğunluk normalizasyonu, artırılması ve kategorik etiketlerin ikili etiketlere dönüştürülmesi de el yazmasında belirtilmiştir. Ancak güncellenmiş anlamda bu adımlar tekrarlanabilir bir boru hattının bileşenleri olarak kabul edilir ve kenarda yazılmış notlar olarak değil. Dizisi, dizinlerden oluşan eğitim ve doğrulama alt kümelerine ayrıldı ve bahsedilen performans metrikleri, tamamen bağımsız bir dış test grubunun göstergeleri yerine dahili doğrulama performans etkileri olarak görülmelidir. Daha net olmak gerekirse, bu 2.280 görüntülük koleksiyon, ana analizin yapılacağı resmi veri olarak alınacak. İkili çerçeveleme, pratikte yaygın olan erken triaj sorusunu yansıttığı için seçildi: şüpheli bir lezyonun görüntüsü, görsel olarak benzer durumlara göre mpox olma olasılığı daha yüksek mi? Bu çerçeve, kapsamlı bir dermatoloji teşhisine kıyasla sınırlıdır, ancak karşılaştırmalı kıyaslama için geçerli ve teknik olarak yorumlanabilir bir başlangıç noktasıdır.

Veri setinin güncellenmiş tanımı, makalenin farklı sınıf yapıları veya bazı zenginleştirilmiş alt kümeler yardımıyla elde edilen bazı ek çıktıları da içerdiğini de dikkate alır; bunlar Şekil 1A–I'de gösterilmiştir. Bu materyalleri silmek yerine, el yazması artık onları doğrudan bağlamsallaştırıyor ve böylece okuyucular ikili kıyaslamanın ve ikincil deneylerin parçası olan sonuçları görebiliyor. Bu yöntem, çalışmanın tüm dokümantasyonunu koruyacak, ancak uyumsuz deneylerin tek bir iddiaya dahil edilmesine izin vermeyecek.

Protokol

NOT: Ana deney için el yazmasında tanımlanan seçilmiş ikili mpox görüntü veri setini kullanın. Veri setinde, 1.020 mpox görüntü ve 1.260 Diğer olarak etiketlenmiş 1.260 cilt lezyonu görüntüsü bulunmaktadır. Sadece ikincil görüntü analizi kullanın; Bu iş akışının bir parçası olarak doğrudan hasta alımı, klinik müdahale, hayvan deneyi veya yeni biyolojik örnek üretimi yapmayın.

1. Veri setini edinin ve derleyin

1. İki sınıftan oluşan bir ikili etiketleme şeması tanımlayın: mpox ve Other.
2. Görsel olarak benzer mpox olmayan lezyonları Diğer sınıfına atan.
3. Tüm görselleri okunabilirlik, sınıf kimliği ve denetimli görsel sınıflandırma için uygunluk açısından taran.
4. Küratörlüğü sırasında kullanılamaz veya belirsiz görüntüleri hariç tutun.
5. Seçilmiş görselleri, görüntü oluşturucularla yüklemek için dizin tabanlı sınıf klasörlerine düzenleyin.

2. Görüntüleri yeniden boyutlandırın ve normalleştirin

1. Model eğitiminden önce tüm görüntüleri 150 x 150 piksele yeniden boyuta getirin.
2. Boyutlandırma sırasında düzgün görüntü geçişlerini korumak için bikübik interpolasyon uygulayın.
3. Piksel yoğunluklarını her piksel değerini 255'e bölerek yeniden ölçeklendirin.
4. Tüm görüntü yoğunluklarını [0,1] aralığına normalleştirin.
   NOT: Tüm modeller için aynı mekansal çözünürlük ve normalizasyon prosedürünü kullanarak mimariler arasında adil bir karşılaştırma sağlanır.

3. Eğitim görüntülerini güçlendirin

1. Artırmayı sadece eğitim alt kümesine uygulayın.
2. Dönüş aralığını 20°'ye ayarlayın.
3. Genişlik-kaydırma aralığını 0.2 olarak ayarlayın.
4. Yükseklik kaydırma aralığını 0.2'ye ayarlayın.
5. Kesme aralığını 0.2'ye ayarlayın.
6. Zoom aralığını 0.2'ye ayarlayın.
7. Yatay çevirmeyi etkinleştirin.
8. Artırma sırasında eklenen pikseller için en yakın komşu dolgusu kullanın.
9. Eğitim sırasında görüntü dosyalarını kalıcı olarak çoğaltmak yerine çevrimiçi artırma işlemi yapın.
   NOT: Doğrulama görsellerini artırmayın; Sadece yeniden ölçeklendirin.

4. Etiketleri kodlayın ve veri setini bölürün

1. İki sınıfı ikili etiketler olarak kodlayın.
2. Görüntüleri ikili sınıf modunda dizin tabanlı üreteçler kullanarak yükleyin.
3. Parti boyutunu 32'ye ayarlayın.
4. Veri setini eğitim ve doğrulama alt kümelerine ayırın.
   NOT: El yazması yalnızca iç eğitim-doğrulama kıyaslamasını bildirir ve bağımsız harici test kohortu içermez.

5. Temel CNN modellerini oluştur

1. Üç konvolüsyon blokla Ardışık bir CNN tabanı oluşturun.
2. İlk konvolüsyon blokta 32 filtre kullanın ve bloğu maksimum havuzlama ile takip edin.
3. İkinci konvolüsyon blokta 64 filtre kullanın ve bloğu maksimum havuzlama ile takip edin.
4. Üçüncü konvolüsyon blokta 128 filtre kullanın ve bloğu maksimum havuzlama ile takip edin.
5. Çıkarılmış özellik haritalarını düzleştirin.
6. 512 birimlik yoğun bir katman ekleyin.
7. 0.5 oranında okuldan çıkma başvurusu yap.
8. İkili sınıflandırma için sigmoid çıkış katmanı kullanın.
9. Karşılaştırmalı temel mimariler olarak InceptionV3, ResNetV2, ResNet50 ve DenseNet121'i dahil edin.
   NOT: Tüm temel karşılaştırmalar için uygun yerlerde aynı seçilmiş ikili veri seti ve ön işleme boru hattını kullanın.

6. Hibrit CNN-transformatör modelini tanımlayın

1. Yerel özellik kodlayıcısı olarak CNN modülü kullanın.
2. CNN bileşeniyle lezyon dokusu, kenar ve yerel morfolojik desenleri çıkarmak.
3. Bağlam kodlayıcısı olarak transformatör tabanlı bir modül kullanın.
4. Transformatör bileşeniyle öğrenilen temsildeki daha geniş uzaysal bağımlılıkları modelleyin.
5. CNN ve transformatör özellik vektörlerini aynı boyutluğa yansıtır ve eleman bazında birleştirerek birleştirir.
6. Birleştirilmiş temsil, sınıflandırma başlığı üzerinden ikili mpox-versus-Other çıktısına eşlendirin.
   NOT: Dikkat başlıkları, göme boyutları ve transformatör katmanları sayısı açıkça mevcut değilse, hibrit mimariyi modül seviyesinde raporlayın.

7. Eğitim süreci ve değerlendirme uygulaması

1. Adam optimizatoru, ikili çapraz entropi kaybı ve doğruluğu birincil eğitim metriği olarak uygulanan modeli kullanarak ikili sınıflandırıcıyı derleyin.
2. Seçilmiş mpox-versus diğer veri setinde 15 dönem için net tanımlanmış temel modeli eğitin.
3. Tüm deneyleri GPU donanımlı bir sistemde Python tabanlı derin öğrenme ortamında yürütmek ve Materyaller Tablosu'nda yazılım kaynaklarını ve genel hesaplama ortamını özetlemek gerekir.
4. Eğitim sırasında eğitim ve doğrulama kayıp eğrilerini takip edin ve her model için mevcut olduğunda doğruluk, hassasiyet, geri çağırma, F1-puan ve AUC hesaplayın.
5. Raporlama ve genelleme davranışının tutarlılığını vurgulayarak model performansını yorumlayın ve tek tepe doğruluk değerleri üzerinde hassasiyet ve özgüllük arasında bir dengeyi önceliklendirin.
6. Her model için iki değerlendirme sorusu formüle edin: (i) modelin eğitim verilerine ne kadar uyduğu ve (ii) öğrenilen temsilin aynı seçilmiş kaynaktan alınan doğrulama görselerine ne kadar iyi aktarıldığı.
   NOT: Bu iki yönü el yazmasında açıkça sunarak temsil kapasitesini faydalı genellemeden ayırt et.
7. Yüksek eğitim doğruluğunu yeterli temsil kapasitesinin kanıtı olarak yorumlayın ve yüksek ve kararlı doğrulama performansını faydalı genellemenin daha anlamlı göstergesi olarak yorumlayın.

8. Deneysel analizler

1. Yalnızca kaydedilen çıktılarla doğrudan desteklenen sonuçları raporlayın ve belgelenen kanıtların ötesine çıkarma yapmaktan kaçının.
2. Doğrulama bilgisinin eksik olduğu veya bir tablonun farklı sınıf yapısını yansıttığı durumlarda açıkça sınırlamalar belirtin.
3. İkili mpox-versus-other sınıflandırma görevini birincil analiz olarak ele alın ve tüm deneyler için iç referans olarak kullanın.
4. Orijinal uygulama kodunu anlatı protokolüne ve Tablo 2'ye çevirerek veri seti, yazılım ortamı, model aileleri ve eğitim yapılandırması tekrarlanabilirlik için özetlenir.
5. Donanım ve yazılım tanımlarını, tek bir üreticiye özgü platformdan ziyade metodolojik tekrarlanabilirlik üzerine odaklanacak şekilde genelleştirin.
6. Mevcut model olarak sonuçlar, mimarilerin tanıtıldığı sırayla aynı sırada gerçekleşir; bu da eğitim davranışı, doğrulama davranışı ve raporlama tamlığının karşılaştırmasını basitleştirmek için.
7. Sıralı CNN başlangıç noktasını çok yüksek iç doğrulama performansı elde ettiği şeklinde tanımlayın ve bunun ayrım özelliklerini olumlu yansıtabileceğini ve dıştan genellemeyebileceğini belirtin.
8. Dizili modeli, kullanılabilir tanısal dayanıklılığın kesin bir gösterimi yerine güçlü bir iç referans olarak yorumlayın.
9. Ayrı InceptionV3 panellerinin tutulmasını gerekçe gösterin çünkü kayıp ve doğruluk yollarının birlikte etkili eğitim optimizasyonu ortaya çıkarması ancak tutarsız doğrulama davranışı ortaya çıkarır.
10. Karşılaştırılabilir doğrulama metrikleri mevcut olmadığı için bilgilendirici ancak kısmen raporlanmış bir temel olarak ResNetV2'yi tanımlayın.
11. ResNet50 çoklu sınıf deneyini, birincil ikili kıstanttan farklı ek kanıt olarak ele alın.
12. DenseNet121'i, bildirilen ikili alt kümede rekabetçi ama baskın olmayan bir performans göstergesi olan ara kıyaslama olarak yorumlayın.
13. Hibrit CNN-transformatörü, tek bir metrikte tek taraflı kazanç yerine dengeli sınıf ayrımcılığı sağlayan bir şey olarak tanımlayın.
14. Bazı modeller farklı raporlama koşulları altında değerlendirildiği için, hibrit modelin tüm temel çizgiler üzerinde evrensel üstünlüğünü iddia etmekten kaçının.
15. Hibrit modeli, yüksek doğrulama performansı ile metrik dengesi arasında umut verici bir denge olarak konumlandırın ve standartlaştırılmış dış test edilmiş kıyaslamalarda daha fazla değerlendirme önerin.

Sonuçlar

Manşet doğruluğunun ötesinde karşılaştırma

Bu sonuçlar, tıbbi görüntü analizinde modellerin karşılaştırmalarının sadece başlık doğruluğuna değil, aynı zamanda mimarilerin çeşitli metrikler ve farklı deneysel ortamlar üzerindeki davranışına da odaklanması gerektiğini göstermektedir. Deneyler boyunca modeller benzer şekilde davranmıyordu: basit Sequential CNN dahili doğrulama bölümünde son derece yüksek performanslıydı, InceptionV3 aşırı donanım...

Tartışma

Çalışmanın temel sonucu, mpox ile görsel olarak benzer lezyonların ikili sınıflandırmasının, yani otomatik sınıflandırmanın, bu çalışmada kullanılan kürenmiş veri setiyle mümkün olmasıdır, ancak bu başarı büyük ölçüde kanıtların^{yorumlanmasına dayanmaktadır 27}. Deneyleri uygun şekilde ayıran el yazması, hem geleneksel hem de önerilen hibrit mimarilerin güçlü performans gerçekleştirmek için kullanılabileceğine dair^{kanıtlar sunar 28}. Bu nedenl...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Veri seti	Kürenmiş mpox görüntü veri seti; Ana ikili kıyaslama için 2.280 görüntü (1.020 mpox ve 1.260 Diğer)	Birincil eğitim ve iç doğrulama kaynağı
Görev tanımı	Çekirdek çalışma için ikili sınıflandırma; ayrı ayrı tutulan ek çok sınıflı ve artırılmış özetler	Raporlanan metriklerin tutarlı yorumlanmasını sağlar
Programlama ortamı	Python tabanlı notebook iş akışı	Veri işleme, model eğitimi ve çizim
Derin öğrenme çerçevesi	Gönderilen kodda bildirilen TensorFlow / Keras uygulaması	Model geliştirme ve optimizasyonu
Görüntü araçları	yeniden ölçeklendirme ve artırma ile ImageDataGenerator; Eğitim eğrileri için çizim kütüphaneleri	Ön işleme, artırma ve görsel raporlama
Temel mimariler	Sequential CNN, InceptionV3, ResNetV2, ResNet50, DenseNet121	Karşılaştırmalı kıyaslama
Önerilen mimari	Hibrit CNN-transformatör sınıflandırıcı	Birincil metodolojik katkı
Eğitim ortamları	Giriş boyutu 150 x 150; parti boyutu 32; Adam optimizer; ikili çapraz entropi; Sağlanan temel kod için 15 dönem raporlandı	Çekirdek iş akışının tekrarlanabilirliği
Hesaplama ortamı	GPU destekli hesaplama sistemi; Anlatıda genelleştirilmiş donanım detayları	Eğitim sırasında model hızlanması