Apr, 2023

基于 3D CNN 分割、迁移学习和 Adagrad 优化的心脏病检测机器学习优化

HTML
PDF
TL;DR提出一种利用机器学习和图像处理技术结合的新型框架来预测冠心病是否存在，并通过数据分析、特征选择、特征提取、特征融合、分类和Adagrad优化等多个阶段完成，此框架通过评估得出在预测冠心病存在时有非常高的准确度。
发现论文，激发创造
  • 扩张卷积神经网络在先天性心脏病心血管MR分割中的应用

    本文介绍了一种自动分割方法，使用扩张型卷积神经网络 (CNN) 对患有先天性心脏病 (CHD) 的患者的心血管磁共振 (CMR) 中的心肌和血池进行分割，并对方法进行了有效性评估。该方法在对仅含有候选机关的图像进行处理的过程中表现良好并适应解剖变异。

    Apr, 2017

  • 无监督特征选择以识别机器学习中的重要ICD-10编码：以冠状动脉疾病患者队列为例的案例研究

    本研究比较了多种无监督特征选择方法以选择最佳100个特征，结果显示Concrete Autoencoder方法在重现特征空间和预测90天死亡率方面的表现优于其他方法。此外，该方法中ICD树的权重调整可降低特征的复杂性。

    Mar, 2023

  • 用于评估冠心病时的3D深度学习分类器及其可解释性

    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

  • 利用基于视觉的Transformer模型从心电图像中检测心脏疾病

    使用先进的视觉转换模型从心电图图像中检测心脏疾病，并与现有研究进行比较，结果显示该框架具有显著的分类结果。

    Oct, 2023

  • 通过眼底图像评估心血管疾病和风险因素的人工智能: 过去十年的回顾

    应用人工智能与深度学习技术结合视网膜成像，实现心血管疾病早期检测和诊断的研究概览。

    Nov, 2023

  • 多视图超声心动图中先天心脏病的自动解读

    多视角超声心动图自动分析方法，采用深度可分离卷积网络结构对先天性心脏病进行诊断和分类，不需要关键帧选择和视角注释。

    Nov, 2023

  • 基于深度学习的自动冠状动脉物体检测

    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

  • 基于深度学习的冠状动脉血运背侧循环检测

    提出了一种基于深度学习的方法用于检测冠状动脉侧支循环(CCC)在血管造影图像中的方法，并取得了有希望的结果，可以进一步扩展为基于标志点的CCC检测和CCC定量化。

    Jan, 2024

  • CNN基于ECG图像的心血管疾病检测

    本研究针对心肌梗死（MI）检测的缺口，开发了一种基于卷积神经网络（CNN）的模型。该模型利用InceptionV3架构并通过迁移学习优化，能够以93.27%的准确率识别心肌梗死等心血管疾病，显著支持临床医生在心脏病早期检测和预防中的工作。

    Aug, 2024

  • 使用一套机器学习模型预测冠心病

    本研究解决了冠心病早期诊断方法的局限性，包括侵入性、晚期检测和高成本等问题。研究引入了多个知名的机器学习算法，并对它们的性能进行了比较，最终发现经过过采样的随机森林模型提供了最高的准确率84%。该研究为冠心病的早期诊断提供了低成本和非侵入性的解决方案。

    Sep, 2024