論文の概要: An Advanced Deep Learning Framework for Ischemic and Hemorrhagic Brain Stroke Diagnosis Using Computed Tomography (CT) Images

• arxiv url: http://arxiv.org/abs/2507.03558v1
• Date: Fri, 04 Jul 2025 13:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.780572
• Title: An Advanced Deep Learning Framework for Ischemic and Hemorrhagic Brain Stroke Diagnosis Using Computed Tomography (CT) Images
• Title（参考訳）: CT画像を用いた虚血・出血脳ストローク診断のための高度なディープラーニングフレームワーク
• Authors: Md. Sabbir Hossen, Eshat Ahmed Shuvo, Shibbir Ahmed Arif, Pabon Shaha, Md. Saiduzzaman, Mostofa Kamal Nasir,
• Abstract要約: 脳卒中は世界中で死亡率と長期障害の主な原因の1つである。 ほとんどのストローク分類技術は、単一のスライスレベルの予測機構に依存している。 機械学習(ML)は、脳卒中診断を改善するための新しい道を開いた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain stroke is one of the leading causes of mortality and long-term disability worldwide, highlighting the need for precise and fast prediction techniques. Computed Tomography (CT) scan is considered one of the most effective methods for diagnosing brain strokes. The majority of stroke classification techniques rely on a single slice-level prediction mechanism, allowing the radiologist to manually choose the most critical CT slice from the original CT volume. Although clinical evaluations are often used in traditional diagnostic procedures, machine learning (ML) has opened up new avenues for improving stroke diagnosis. To supplement traditional diagnostic techniques, this study investigates the use of machine learning models, specifically concerning the prediction of brain stroke at an early stage utilizing CT scan images. In this research, we proposed a novel approach to brain stroke detection leveraging machine learning techniques, focusing on optimizing classification performance with pre-trained deep learning models and advanced optimization strategies. Pre-trained models, including DenseNet201, InceptionV3, MobileNetV2, ResNet50, and Xception, are utilized for feature extraction. Additionally, we employed feature engineering techniques, including BFO, PCA, and LDA, to enhance models' performance further. These features are subsequently classified using machine learning algorithms such as SVC, RF, XGB, DT, LR, KNN, and GNB. Our experiments demonstrate that the combination of MobileNetV2, LDA, and SVC achieved the highest classification accuracy of 97.93%, significantly outperforming other model-optimizer-classifier combinations. The results underline the effectiveness of integrating lightweight pre-trained models with robust optimization and classification techniques for brain stroke diagnosis.
• Abstract（参考訳）: 脳卒中は世界中で死亡率と長期障害の主な原因の1つであり、正確かつ迅速な予測技術の必要性を強調している。 CTスキャンは脳卒中を診断する最も効果的な方法の1つである。 脳卒中分類法の大半は1つのスライスレベルの予測機構に依存しており、放射線技師は元のCTボリュームから最も重要なCTスライスを手動で選択できる。 従来の診断法では臨床評価が用いられることが多いが、機械学習(ML)は脳卒中診断を改善するための新たな道を開いた。 従来の診断技術を補うため,CTスキャン画像を用いた脳卒中早期の予測について,機械学習モデルの使用について検討した。 本研究では,機械学習技術を活用した脳卒中検出のための新しい手法を提案し,事前学習されたディープラーニングモデルによる分類性能の最適化と高度な最適化戦略に着目した。 DenseNet201、InceptionV3、MobileNetV2、ResNet50、Xceptionなどの事前訓練されたモデルが特徴抽出に利用されている。 さらに,BFO,PCA,LDAなどの機能工学技術を用いて,モデルの性能をさらに向上させた。 これらの機能はその後、SVC、RF、XGB、DT、LR、KNN、GNBといった機械学習アルゴリズムを使って分類される。 実験の結果,MobileNetV2,LDA,SVCの組み合わせは97.93%の分類精度を達成し,他のモデル最適化器と分類器の組み合わせよりも有意に優れていた。 その結果、脳卒中診断のためのロバストな最適化と分類技術による軽量事前訓練モデルの統合の有効性が明らかにされた。

関連論文リスト

• Hierarchical Deep Feature Fusion and Ensemble Learning for Enhanced Brain Tumor MRI Classification [3.776159955137874]
  脳磁気共鳴画像(MRI)の包括的前処理とデータ拡張を組み込んだフレームワーク 新規性は二重レベルのアンサンブル戦略(特徴レベルのアンサンブル、分類器レベルのアンサンブル)にある。 2つのパブリックなKaggle MRI脳腫瘍データセットの実験は、このアプローチが最先端の手法を大幅に超えることを示した。
  論文  参考訳（メタデータ） (2025-06-14T05:53:54Z)
• Enhancing Orthopox Image Classification Using Hybrid Machine Learning and Deep Learning Models [40.325359811289445]
  本稿では、機械学習モデルと事前訓練されたディープラーニングモデルを組み合わせて、拡張データを必要とせずに、深い特徴表現を抽出する。 その結果, この特徴抽出法は, 最先端技術における他の手法と組み合わせることで, 優れた分類結果が得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T11:52:07Z)
• Enhancing Stroke Diagnosis in the Brain Using a Weighted Deep Learning Approach [0.0]
  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。
  論文  参考訳（メタデータ） (2025-04-17T21:54:36Z)
• Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
  脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。 本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。 我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
  論文  参考訳（メタデータ） (2024-10-31T07:28:06Z)
• Enhancing Eye Disease Diagnosis with Deep Learning and Synthetic Data Augmentation [0.0]
  本稿では,糖尿病網膜症の早期発見と管理を目的としたアンサンブル学習手法を提案する。 提案したモデルはAPTOSデータセット上でテストされ、以前のモデルと比較して検証精度(99%)の優位性を示している。
  論文  参考訳（メタデータ） (2024-07-25T04:09:17Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• Comparative Study of Machine Learning Algorithms in Detecting Cardiovascular Diseases [0.0]
  機械学習技術を用いた心血管疾患(CVD)の検出は、医学的診断において大きな進歩を示している。 本研究では,ロジスティック回帰,決定木,ランダムフォレスト,グラディエントブースティング,サポートベクトルマシン(SVM),K-Nearest Neighbors(KNN),XGBoostなど,さまざまな機械学習アルゴリズムの比較分析を行った。 本研究は,アンサンブル法と高度なアルゴリズムを用いて信頼性の高い予測を行い,CVD検出のための包括的枠組みを提供する。
  論文  参考訳（メタデータ） (2024-05-27T11:29:54Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。