Computer Aided Deep Learning Based Assessment of Stroke From Brain Radiological CT Images
Notice bibliographique
Résumé
The aim of the study is to detect the abnormal area(s) from brain CTs of stroke patients using Image Processing and to accurately evaluate the stroke changes in brain tissues among patients with Deep Learning models in MATLAB 2019b interface. 1000 patients (500 stroke suspected, 500 healthy participants) were chosen between 25 and 75 age ranges from TOBB ETU and Yıldırım Beyazıt University Hospitals according to the ethics committee certificate. For this study, for increasing the accuracy and eliminating the redundancy, from the image data of the patients, only lateral and 4th ventricle CT images were used. Firstly, these images were processed via Image Processing methods (Image Acquisition, Preprocessing, Thresholding, Segmentation, Morphological Operations etc.). After these methods, the resulted lateral ventricle image was split into 6 specific areas and 4th ventricle image was split into 14 specific areas like automated computerized Alberta Stroke Scoring, respectively. For 1000 images, totally 20x1000=20000 pieces of CT subimages were obtained with the specific class names (as healthy and stroke) and were used as the input of Artificial Intelligence (AI) and Deep Learning (DL) models (optimized ANN with Levenberg-Marquardt method and CNN). This approach can give an important chance to the doctors for supporting their results with a decision support system, speeding up the diagnosis time and also decreasing the possible rate of misdiagnosis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».