FCM-DNN: 基于深度准确模糊 C-Means 聚类模型的冠心病诊断
通过机器学习算法对冠心病风险进行分类,本研究开发了一种数据平衡和增强方法,提高了诊断准确性,对样本数量较少和数据不平衡的情况特别适用。实验结果显示,本方法的平均预测准确率为 95.36%,高于随机森林、决策树、支持向量机、逻辑回归和人工神经网络。
Aug, 2023
冠状动脉疾病诊断的一维卷积神经网络(1D-CNN)通过提高检测准确性和减少网络复杂性的潜力来解决早期诊断对人类死亡率的重要影响问题。通过解释心电图(ECG)信号中复杂模式的能力,无需依赖特征提取技术,这项研究超越了传统诊断方法。我们研究了样本长度对模型性能的影响,并进行了相关实验,包括降低网络层数。使用的 ECG 数据来自 PhysioNet 数据库,分别是 MIMIC III 和 Fantasia 数据集,采样频率分别为 125 Hz 和 250 Hz。在样本长度为 250 时,获得了对未知数据最高的准确性。这些初步发现展示了使用 ECG 信号进行冠状动脉疾病诊断的 1D-CNN 的潜力,并强调了样本大小在实现高准确性方面的作用。
May, 2024
我们提出了一个 3D Resnet-50 深度学习模型,通过计算机断层扫描冠状动脉造影图像来直接分类正常人和冠状动脉疾病患者,并使用 Grad-GAM 提供可解释性。此外,我们将 3D 冠状动脉疾病分类与 2D 双类语义分割相结合,以提高可解释性和准确的异常定位。
Jul, 2023
利用机器学习的集成方法在智能医疗监测系统中设计出一种电子诊断工具来诊断冠心病,结果表明集成分类器中的多层感知机、随机森林和 AdaBoost 是最优的,达到了 88.12% 的准确率,而且比其他所有分类器都表现更好。
Oct, 2022
在数字医学时代,医学影像作为一种广泛应用的早期疾病检测技术,在每天产生和储存的电子病历中产生大量的影像。在这篇论文中,我们利用目标检测方法对 X 射线血管造影图像进行分析,精确地确定冠状动脉狭窄的位置,从而实现了对狭窄位置的自动实时检测,帮助医护人员进行重要而敏感的决策过程。
Dec, 2023
基于一维卷积神经网络的心血管疾病风险预警模型,通过填充和标准化 13 个生理指标,将卷积神经网络转化为二维矩阵,并采用一阶卷积操作和最大池化算法进行降维,通过 Adam 算法进行优化。相对于传统方法,该技术的预测精度提高了 11.2%,对数曲线拟合也有显著改善,通过一维卷积神经网络的检验,证实了该新方法的效力和适用性。
Jun, 2024
该研究使用基于机器学习算法的集成分类器框架,结合多种性能度量方法,对一个包含多国心血管疾病个体的大型数据集进行研究,获得了 92.34% 的准确率,较现有研究表现更佳。
Jun, 2023
使用超过 200 万标记心电图的数据训练的深度神经网络模型,比心脏病学住院医生在识别 12 导联心电图上准确率高,F1 分数超过 80%且特异性高于 99%,这表明基于 DNN 的 ECG 分析可推广到 12 导联心电图上,可应用于标准临床实践中。
Apr, 2019
冠状动脉疾病是欧盟和美国最常见的死因之一,其中关键的生物标志物是分数流量减少 (FFR),通过侵入性诊断技术冠状动脉造影获得其体内测量。为了解决侵入性的缺点,近年来出现了一种名为虚拟 FFR (vFFR) 测量的新方法。本文中,我们探讨了使用深度学习技术作为替代 CFD 引擎模型在冠状动脉 vFFR 估计中的任务中,以极大地减少所需时间和计算成本而不会显著降低质量的方法。我们提出了一种新颖的 vFFR 估计方法,通过将输入血管几何表示为点云,并利用学习几何表示的混合神经网络,基于明确和隐式给定的特征。我们从临床角度评估了该方法,并展示它可以作为常用的基于 CFD 的方法的有力替代。
Apr, 2024