Brain Stroke Classification Using YOLOv8
Notice bibliographique
Résumé
Brain stroke is a leading cause of mortality and long-term disability worldwide, underscoring the critical importance of rapid and accurate diagnosis for effective clinical intervention. This paper presents an automated classification approach for identifying stroke types, specifically ischemic stroke, hemorrhagic stroke, and normal brain tissues from computed tomography (CT) images using the YOLOv8 deep learning architecture. The study employs the Brain Stroke CT Dataset from the TEKNOFEST-2021 Artificial Intelligence in Healthcare Competition, which contains 6,653 anonymized and expertlabeled axial CT slices. The methodology employed in this study includes a comprehensive data preprocessing model, a fine-tuning stage using transfer learning, and performance evaluation using key metrics such as accuracy, precision, recall, and F1-score. Experimental results demonstrate that YOLOv8 achieves high classification accuracy across all the three categories mentioned above. This is supported by a detailed confusion matrix and visual examples of model predictions. These findings suggest that YOLOv8 can serve as a powerful tool for assisting clinicians in the rapid triage and diagnosis of patients with a brain stroke, particularly in time-sensitive scenarios. This work contributes to the growing application of artificial intelligence in medical image analysis for effective and timely decision making by offering a practical and efficient solution for stroke classification, with potential applications in both resource-limited and high-volume healthcare settings.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».