Comparison of single and ensemble-based convolutional neural networks for cancerous image classification

Lantang, Oktavian, Terdik, György, Hajdú, András, Tiba, Attila (2021) Comparison of single and ensemble-based convolutional neural networks for cancerous image classification Annales Mathematicae et Informaticae (54.). pp. 45-56. ISSN 1787-6117 (Online)

pdf AMI_54_from45to56.pdf Download (1MB) [error in script]

Absztrakt (kivonat)

In this work, we investigated the ability of several Convolutional Neural Network (CNN) models for predicting the spread of cancer using medical images. We used a dataset released by the Kaggle, namely PatchCamelyon. The dataset consists of 220,025 pathology images digitized by a tissue scanner. A clinical expert labeled each image as cancerous or non-cancerous. We used 70% of the images as a training set and 30% of them as a validation set. We design three models based on three commonly used modules: VGG, Inception, and Residual Network (ResNet), to develop an ensemble model and implement a voting system to determine the final decision. Then, we compared the performance of this ensemble model to the performance of each single model. Additionally, we used a weighted majority voting system, where the final prediction is equal to the weighted average of the prediction produced by each network. Our results show that the classification of the two ensemble models reaches 96%. Thus these results prove that the ensemble model outperforms single network architectures.

Mű típusa:	Folyóiratcikk - Journal article
Szerző:	Szerző neve Email MTMT azonosító ORCID azonosító Közreműködés Lantang, Oktavian NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző Terdik, György NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző Hajdú, András NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző Tiba, Attila NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző
Megjegyzés:	Published online: March 31, 2021
Kapcsolódó URL-ek:	Folyóirat honlapja Befoglaló kötet
Kulcsszavak:	Cancer image classification, ensemble-based model, convolutional neural network
Nyelv:	angol
DOI azonosító:	10.33039/ami.2021.03.013
ISSN:	1787-6117 (Online)
Felhasználó:	Tibor Gál
Dátum:	01 Ápr 2021 10:50
Utolsó módosítás:	23 Dec 2021 08:08
URI:	http://publikacio.uni-eszterhazy.hu/id/eprint/6900

Műveletek (bejelentkezés szükséges)

Tétel nézet