Fetal Heart Abnormality Detection in Prior Stage Using LeNet 20 Deep Learning Architecture
Notice bibliographique
Résumé
Heart abnormalities are significant in medical diagnosis, traditionally detected through CT, X-ray, CTA, and MRI scans.However, these methods often yield inconclusive or erroneous results, leading to ineffective clinical recommendations.This study focuses on using ultrasound heart data for fetal anomaly prediction and classification, aiming to overcome the limitations of existing diagnostic methods.The purpose of this investigation is to develop a more reliable method for detecting fetal heart anomalies using deep learning techniques, specifically leveraging the LeNet 20 architecture.The goal is to improve the accuracy and reliability of fetal anomaly detection compared to conventional methods.Real-time fetal ultrasound heart samples were collected from NIMS super specialty hospital, Hyderabad, and pre-processed using tools such as Otsu threshold separation.The LeNet 20 convolutional neural network, consisting of 165 layers with max pooling, dense, hidden, and ReLU layers, was implemented using Python with TensorFlow, Keras, and scikit-learn libraries.The dataset was loaded as test samples via CSV files, and the LeNet 20 CNN model was employed for classification.The proposed LeNet 20 CNN model achieved significant improvements over existing fetal heart diagnosis models.Key findings include a detection score of 98.32%, F1 score of 98.23%, recall of 97.89%, accuracy of 98.32%, and sensitivity of 97.29%.These results indicate superior detection accuracy and reliability compared to previous methods.results of this study demonstrate notable enhancements over prior fetal heart diagnosis technologies.Specifically, the LeNet 20 CNN model outperformed existing methods in terms of detection accuracy and reliability.This investigation successfully addresses the limitations of conventional fetal heart diagnosis methods by employing CNN deep learning technology.The LeNet 20 architecture serves as an effective classifier and feature extractor, enabling accurate detection of fetal heart anomalies in prior stage.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».