Performance Evaluation of Deep Learning Algorithms in Biomedical Document Classification

Behera, Bichitrananda; Kumaravelan, G.; Kumar.B, Prem

doi:10.1109/icoac48765.2019.246843

Cited by 44 publications

(22 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…There is a consensus around the use of confusion matrix and ranking metrics to evaluate multilabel classification models (at inference time) (Koyejo et al, 2015;Behera et al, 2019;Wu and Zhou, 2017). Notably Precision and Recall.…”

Section: Metrics: Evaluation At Inference Timementioning

confidence: 99%

See 1 more Smart Citation

sigmoidF1: A Smooth F1 Score Surrogate Loss for Multilabel Classification

Bénédict¹,

Vincent²,

Odijk³

et al. 2021

Preprint

View full text Add to dashboard Cite

show abstract

Section: Metrics: Evaluation At Inference Timementioning

confidence: 99%

“…Weighted micro F 1 (Behera et al, 2019) is similar but includes weighing to account for class imbalance, i.e., weighing each class by the number of ground-truth positives:…”

Section: Evaluation Metricsmentioning

confidence: 99%

sigmoidF1: A Smooth F1 Score Surrogate Loss for Multilabel Classification

Bénédict¹,

Vincent²,

Odijk³

et al. 2021

Preprint

View full text Add to dashboard Cite

show abstract

“…Depending on these attribute values, gynecologists could classify the state of fetal as normal, pathologic, or suspicious state (NSP) class. Therefore, it is critical to visualize [ 44 ] CTG attributes by using WEKA version 3.8.4 [ 30 – 45 ] tools, as in Figure 3 . The attribute is drawn to illustrate a visual qualitative understanding of the distribution.…”

Section: Resultsmentioning

confidence: 99%

Intelligent Neutrosophic Diagnostic System for Cardiotocography Data

Amin

Salama

El-Henawy

et al. 2021

Computational Intelligence and Neuroscience

View full text Add to dashboard Cite

Cardiotocography data uncertainty is a critical task for the classification in biomedical field. Constructing good and efficient classifier via machine learning algorithms is necessary to help doctors in diagnosing the state of fetus heart rate. The proposed neutrosophic diagnostic system is an Interval Neutrosophic Rough Neural Network framework based on the backpropagation algorithm. It benefits from the advantages of neutrosophic set theory not only to improve the performance of rough neural networks but also to achieve a better performance than the other algorithms. The experimental results visualize the data using the boxplot for better understanding of attribute distribution. The performance measurement of the confusion matrix for the proposed framework is 95.1, 94.95, 95.2, and 95.1 concerning accuracy rate, precision, recall, and F1-score, respectively. WEKA application is used to analyse cardiotocography data performance measurement of different algorithms, e.g., neural network, decision table, the nearest neighbor, and rough neural network. The comparison with other algorithms shows that the proposed framework is both feasible and efficient classifier. Additionally, the receiver operation characteristic curve displays the proposed framework classifications of the pathologic, normal, and suspicious states by 0.93, 0.90, and 0.85 areas that are considered high and acceptable under the curve, respectively. Improving the performance measurements of the proposed framework by removing ineffective attributes via feature selection would be suitable advancement in the future. Moreover, the proposed framework can also be used in various real-life problems such as classification of coronavirus, social media, and satellite image.

show abstract

“…Eşitlik (4), Eşitlik (5) ve Eşitlik (6)'da ise hassasiyet değeri, hatırlama değeri ve F1 skor değerinin ağırlıklı ortalamaları gösterilmiştir. Eşitliklerdeki n değeri veri setindeki sınıf sayısını; P1, P2, … , Pn dizisi ise her bir sınıf için hesaplanan hassasiyet değerini; R1, R2, … , Rn ise her bir sınıf için hesaplanan hatırlama değerini göstermektedir (Behera & Kumaravelan, 2019) (Vani & Rao, 2019 (Goutte & Gaussier, 2005) (David MW Powers, 2015.…”

Section: Araştırma Sonuçları Ve Tartışmaunclassified

Derin Sinir Ağları Kullanarak Histopatolojik Görüntülerde Meme Kanseri Tespiti

Dandıl

Serin

2020

European Journal of Science and Technology

View full text Add to dashboard Cite

Öz Bu çalışmada çağımızın en tehlikeli hastalıklarından birisi olan ve geç teşhis durumunda tedavisi oldukça zor bir hal alan meme kanserinin histopatolojik görüntülerde tespiti için derin sinir ağları kullanılarak bir model önerilmiştir. Çalışma ile bilgisayar destekli teşhis sistemlerinin yüksek doğruluk değerlerine ulaşarak meme kanserinin tespitinde yardımcı bir teşhis metodu kullanılması sağlanmıştır. Kullanılan veriseti 40X, 100X, 200X ve 400X yakınlaştırma oranlarına sahip ve toplamda 7909 adet histopatolojik görüntü içermektedir. Önerilen derin sinir ağı modelinde DenseNet201, Inception V3, ResNet50 ve Xception olmak üzere dört farklı ön-eğitimli (pre-trained) ağ kullanılarak daha başarılı sonuçlar elde edilmiştir. Modellerin başarımlarını daha da artırmak amacıyla bırakma (dropout) ve veri artırma (data augmentation) yöntemleri kullanılmıştır. Kullanılan bu ağlar kendi arasında karşılaştırılmış ve Xception ağı ile elde edilen sonuçların diğer ağlara oranla daha başarılı olduğu görülmüştür. Xception ağı ile 200X yakınlaştırma oranında gerçekleştirilen deneysel çalışmalarda, hem diğer ağlara göre hem de diğer yakınlaştırma oranlarına göre en başarılı sonuçlara ulaşılmış ve 98.01'lik bir doğruluk (Accuracy) skoru, 97.89'luk bir hassasiyet (Precision) değeri ve 97.47'lik bir hatırlama (Recall) değeri elde edilmiştir. Xception ağının 200X yakınlaştırma oranındaki ROC eğrisi altındaki alan değeri ise 0.975 olarak hesaplanmıştır.

show abstract

Performance Evaluation of Deep Learning Algorithms in Biomedical Document Classification

Cited by 44 publications

References 12 publications

sigmoidF1: A Smooth F1 Score Surrogate Loss for Multilabel Classification

sigmoidF1: A Smooth F1 Score Surrogate Loss for Multilabel Classification

Intelligent Neutrosophic Diagnostic System for Cardiotocography Data

Derin Sinir Ağları Kullanarak Histopatolojik Görüntülerde Meme Kanseri Tespiti

Contact Info

Product

Resources

About