Fugu-MT 論文翻訳(概要): Enhancing Stroke Diagnosis in the Brain Using a Weighted Deep Learning Approach

論文の概要: Enhancing Stroke Diagnosis in the Brain Using a Weighted Deep Learning Approach

arxiv url: http://arxiv.org/abs/2504.13974v1
Date: Thu, 17 Apr 2025 21:54:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-30 08:12:14.068207
Title: Enhancing Stroke Diagnosis in the Brain Using a Weighted Deep Learning Approach
Title（参考訳）: 重み付き深層学習を用いた脳内ストローク診断の強化
Authors: Yao Zhiwan, Reza Zarrab, Jean Dubois,
Abstract要約: 脳卒中は、脳の一部への血流が破壊され、細胞死に至るときに起こる。 CTスキャンやMRIなどの従来の脳卒中診断法は費用と時間を要する。本研究では,ランダムフォレスト,ディープラーニング,ヒストグラムに基づく勾配上昇などの分類器からの予測を組み合わせて,より効果的にストロークを予測する,重み付き投票アンサンブル(WVE)機械学習モデルを提案する。このモデルはプライベートデータセットで94.91%の精度を達成し、早期のリスク評価と予防を可能にした。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: A brain stroke occurs when blood flow to a part of the brain is disrupted, leading to cell death. Traditional stroke diagnosis methods, such as CT scans and MRIs, are costly and time-consuming. This study proposes a weighted voting ensemble (WVE) machine learning model that combines predictions from classifiers like random forest, Deep Learning, and histogram-based gradient boosting to predict strokes more effectively. The model achieved 94.91% accuracy on a private dataset, enabling early risk assessment and prevention. Future research could explore optimization techniques to further enhance accuracy.
Abstract（参考訳）: 脳卒中は、脳の一部への血流が破壊され、細胞死に至るときに起こる。 CTスキャンやMRIなどの従来の脳卒中診断法は費用と時間を要する。本研究では,ランダムフォレスト,ディープラーニング,ヒストグラムに基づく勾配上昇などの分類器からの予測を組み合わせて,より効果的にストロークを予測する,重み付き投票アンサンブル(WVE)機械学習モデルを提案する。このモデルはプライベートデータセットで94.91%の精度を達成し、早期のリスク評価と予防を可能にした。将来の研究は、精度をさらに高める最適化手法を探求する可能性がある。

関連論文リスト

Enhancing stroke disease classification through machine learning models via a novel voting system by feature selection techniques [1.2302586529345994]
心臓病は世界中で致死率と死亡率の主要な原因である。我々は,心臓病の分類を高度化するための特徴選択技術を備えた新しい投票システムを開発した。 XGBoostは、99%の精度、F1スコア、98%のリコール、100%のROC AUCを達成した。
論文参考訳（メタデータ） (2025-04-01T07:16:49Z)
Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches [0.0]
本研究の目的は,心停止事故のタイムリー同定のための予測モデルの開発と評価である。我々は、XGBoost、Gradient Boosting、Naive Bayesといった機械学習アルゴリズムと、リカレントニューラルネットワーク(RNN)によるディープラーニング(DL)アプローチを採用しています。厳密な実験と検証により,RNNモデルの優れた性能が示された。
論文参考訳（メタデータ） (2024-09-03T19:18:16Z)
A dual-task mutual learning framework for predicting post-thrombectomy cerebral hemorrhage [42.24368372333753]
患者の初回CT検査のみを用いて術後脳出血を計測するための新しい予測枠組みを提案する。本手法では, 最新診断法よりも追跡CTの精度が向上し, 追跡診断ラベルの精度が86.37%向上した。
論文参考訳（メタデータ） (2024-08-01T22:08:52Z)
A data balancing approach towards design of an expert system for Heart Disease Prediction [0.9895793818721335]
心臓病は深刻な世界的な健康問題で、毎年何百万人もの命がかかっています。本稿では,決定木(DT),ランダムフォレスト(RF),線形判別分析,エクストラツリーブースト,アダブーストという5つの機械学習手法を用いた。ランダムフォレストと決定木モデルの精度は99.83%だった。
論文参考訳（メタデータ） (2024-07-26T08:56:13Z)
Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
論文参考訳（メタデータ） (2023-12-31T20:42:52Z)
Brain Anatomy Prior Modeling to Forecast Clinical Progression of Cognitive Impairment with Structural MRI [34.48405029703635]
小型MRIを用いた認知障害の臨床経過を予測するための脳解剖前モデル(BAPM)フレームワークを提案する。 BAPMはプリテキストモデルと下流モデルで構成され、脳解剖学を明示的にモデル化するための共有脳解剖誘導エンコーダを備えている。実験結果から,(1)CI進行予測タスク,(2)MR画像再構成,(3)脳組織分節化におけるBAPMの有効性が示唆された。
論文参考訳（メタデータ） (2023-06-20T18:45:49Z)
Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。診断成績は臨床医の成績と比較した。臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文参考訳（メタデータ） (2023-02-02T08:45:17Z)
Deep Learning for Brain Age Estimation: A Systematic Review [41.292656643344294]
機械学習モデルは、脳の年齢を正確に予測するために神経画像データにうまく採用されている。ディープニューラルネットワーク(ディープニューラルネットワーク、ディープラーニングとも呼ばれる)は、多様体ニューロイメージング研究で普及している。
論文参考訳（メタデータ） (2022-12-07T15:19:59Z)
Automatic lesion analysis for increased efficiency in outcome prediction of traumatic brain injury [12.651451007914124]
本研究は, 日常的に取得した病院入所CTスキャンから抽出したバイオマーカーの予測力について検討した。我々は,TBI結果予測モデルの拡張のための入力として,病変量とそれに対応する病変統計を用いた。自動的に抽出された定量的CT特徴は、不利なTBI結果を予測する際にマーシャルスコアと同等かそれ以上に機能することがわかった。
論文参考訳（メタデータ） (2022-08-08T13:18:35Z)
Deep-learning-enabled Brain Hemodynamic Mapping Using Resting-state fMRI [35.87417668902519]
RS-fMRIは脳循環動態のマッピングや障害のデライン化に有用である。 RS-fMRIにおける呼吸パターンの時間変化を利用して、深層学習は脳血管反応性の再現可能なマッピングを可能にする。
論文参考訳（メタデータ） (2022-04-25T14:03:46Z)
Cardiovascular Disease Prediction using Recursive Feature Elimination and Gradient Boosting Classification Techniques [0.0]
本稿では,心疾患の正確な予測を実現するため,RFE-GBアルゴリズムを提案する。 CVDに重要な特徴を持つ患者の健康記録を, 評価のために分析した。
論文参考訳（メタデータ） (2021-06-11T16:17:42Z)
Patient-independent Epileptic Seizure Prediction using Deep Learning Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。患者に依存しない2つの深層学習アーキテクチャを提案する。
論文参考訳（メタデータ） (2020-11-18T23:13:48Z)
Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文参考訳（メタデータ） (2020-08-29T11:50:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。