MRI‐Based Heart Disease Diagnosis: An Automated IBNet9X‐DenseNet8X Framework for Optimal Feature Fusion and Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle