Quad Convolutional Layers (QCL) CNN Approach for Classification of Brain Stroke in Diffusion Weighted (DW) - Magnetic Resonance Images (MRI)
Notice bibliographique
Résumé
Commonly, clinicans have problems for recognising brain stroke injury images. However, with the advantages of Information technology it is expected that will be a new method that can support the clinicans' opinion for recognising the brain stroke injury for type of stroke (hemorrhagic, ischemic, and normal). Therefore, this study aim is to discovery a new model to classify hemorrhagic, ischemic and normal based on Diffusion Weighted (DW)-Magnetic Resonance (MR) images. This study argues by using Qual Convolutional Layers (QCL-CNN) which applied in CNN can classified type of stroke. For this study experiment, this research conducted two experiment to asses the performance of QCL-CNN. The first experiments partitioned the MR image dataset into 20 percent testing and 80 percent training sets. Then, the second testing performed ten-fold cross-validation on the image dataset. The result from the first experiment of the classification accuracies obtained 93.90 percent (1 st dataset) and 94.96 percent (2 nd dataset). As for the second experiment, the results shows that the classification accuracies obtained 95.91 percent ( 1 st data set) and 97.31 percent ( 2 nd data set). The data source for this study gained from Indonesian hospital and the web sources dataset public from Ischemic Stroke Lesion Segmentation (ISLES). This study also compared, the QCL-CNN model with other architecture model such as AlexNet, ResNet50, and VGG16. The result of the comparison experiment shows that QCL-CNN architectures model has excellent performance than the others model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».