Optimized Machine Learning for CHD Detection using 3D CNN-based Segmentation, Transfer Learning and Adagrad Optimization

要約

タイトル：3D CNNベースのセグメンテーション、転移学習、Adagrad最適化を利用したCHD検出用最適化機械学習方法

要約：

– CHDは世界的に見て主な死因のひとつであり、早期の発見は患者の治療成果を改善し、死亡率を減らすことができる
– 本研究では、機械学習と画像処理技術を組み合わせ、CHD存在の予測を行うための新しいフレームワークを提案する
– このフレームワークは、データの分析、ReliefFによる特徴量選択、3D CNNベースのセグメンテーション、転移学習による特徴抽出、特徴量融合、そして分類によって構成される
– 提案されたフレームワークの最初のステップは、CHDを示唆する可能性のあるパターンや相関関係を特定するためのデータの分析である
– 次に、ReliefFによる特徴量選択を適用して、サンプル画像から最も関連性のある特徴量を選択する
– その後、CHD診断に重要な視神経乳頭と黄斑をセグメンテーションするために、3D CNNベースのセグメンテーション技術を使用する
– セグメンテーションされた関心領域から特徴量を抽出するために、転移学習を使用する
– 抽出された特徴量は、特徴量融合技術を使用して結合され、分類器をトレーニングしてCHDの存在を予測する
– 最後に、Adagrad最適化を使用して分類器の性能を最適化する
– このフレームワークは、CHDの有無に関する患者の画像から収集されたサンプルデータセットで評価された結果、従来のSVMなどの分類器よりも高い正確度でCHDの存在を予測することができた。

要約(オリジナル)

Globally, Coronary Heart Disease (CHD) is one of the main causes of death. Early detection of CHD can improve patient outcomes and reduce mortality rates. We propose a novel framework for predicting the presence of CHD using a combination of machine learning and image processing techniques. The framework comprises various phases, including analyzing the data, feature selection using ReliefF, 3D CNN-based segmentation, feature extraction by means of transfer learning, feature fusion as well as classification, and Adagrad optimization. The first step of the proposed framework involves analyzing the data to identify patterns and correlations that may be indicative of CHD. Next, ReliefF feature selection is applied to decide on the most relevant features from the sample images. The 3D CNN-based segmentation technique is then used to segment the optic disc and macula, which are important regions for CHD diagnosis. Feature extraction using transfer learning is performed to extract features from the segmented regions of interest. The extracted features are then fused using a feature fusion technique, and a classifier is trained to predict the presence of CHD. Finally, Adagrad optimization is used to optimize the performance of the classifier. Our framework is evaluated on a dataset of sample images collected from patients with and without CHD. The results show that the anticipated framework accomplishes elevated accuracy in predicting the presence of CHD. either a particular user with a reasonable degree of accuracy compared to the previously employed classifiers like SVM, etc.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI