MRI‐Based Heart Disease Diagnosis: An Automated IBNet9X‐DenseNet8X Framework for Optimal Feature Fusion and Classification
Notice bibliographique
Résumé
ABSTRACT Cardiovascular diseases (CVDs) remain a leading global health challenge, emphasising the need for advanced diagnostic systems that enable accurate detection and classification. This study presents a novel deep learning framework based on a dense and inverted bottleneck residual mechanism, integrating two custom convolutional neural network architectures: an 8‐block Dense model and a 9‐block Inverted Bottleneck Layered model. These models are designed to extract multiscale features from cardiac MRI scans for precise classification across five CVD categories. We enhance image quality using Contrast‐Limited Adaptive Histogram Equalisation (CLAHE) in the preprocessing pipeline and apply data augmentation to address class imbalance and promote model generalisation. Atom Search optimisation (ASO) is employed to reduce feature dimensionality while retaining critical information, and a serial feature fusion strategy is used to integrate the optimised feature vectors. Classification is performed using several neural network variants (Narrow NN, Medium NN, Wide NN, and Bi‐Layered NN). The proposed method is evaluated on both the Automated Cardiac Diagnosis Challenge (ACDC) and Sunnybrook Cardiac Data (SCD) datasets, achieving superior accuracies of 97.3% and 96.8%, respectively, compared to state‐of‐the‐art techniques, demonstrating its effectiveness for cardiovascular disease diagnosis.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».