XiaoMi-AI文件搜索系统
World File Search SystemLeNet
使用LENET 20深度学习体系结构在先前阶段的胎儿心脏异常检测
心脏异常在医学诊断中很重要，传统上通过CT，X射线，CTA和MRI扫描检测到。但是，这些方法通常会产生不确定或错误的结果，从而导致无效的临床建议。本研究的重点是使用超声心脏数据进行胎儿异常预测和分类，旨在克服现有诊断方法的局限性。这项研究的目的是开发一种更可靠的方法来使用深度学习技术检测胎儿心脏异常，特别是利用Lenet 20架构。与常规方法相比，目标是提高胎儿异常检测的准确性和可靠性。实时胎儿超声心脏样本是从海得拉巴NIMS Super Specialty Hospital收集的，并使用OTSU阈值分离等工具进行了预处理。LENET 20卷积神经网络由165层组成，最大池，密集，隐藏和relu层是使用带有Tensorflow，Keras和Scikit-Learn库的Python实现的。通过CSV文件将数据集加载为测试样品，并采用了LENET 20 CNN模型进行分类。所提出的LENET 20 CNN模型比现有的胎儿心脏诊断模型取得了显着改善。关键发现包括98.32％的检测得分，F1得分为98.23％，召回97.89％，准确度为98.32％，灵敏度为97.29％。这些结果表明与以前的方法相比，检测准确性和可靠性卓越。这项研究的结果表明，对先前的胎儿心脏诊断技术有了显着的增强。具体来说，LENET 20 CNN模型在检测准确性和可靠性方面优于现有方法。这项调查通过采用CNN深度学习技术成功地解决了常规胎儿心脏诊断方法的局限性。LENET 20架构是有效的分类器和特征提取器，可以在前阶段准确检测胎儿心脏异常。
使用改良的Googlenet预测心脏病...
摘要：根据世界卫生组织（WHO）的数据，诊断心脏病是一项伟大的任务，因为心脏病（HD）是全球最普遍的疾病。我们提出了一种基于心脏声音的方法来处理这一困难问题，因为心脏声音（HS）是检测心脏状况的重要组成部分。在建议的策略中使用了特征提取技术和分类器。我们使用GoogleNet卷积神经网络（CNN）结构进行一些修改，以将HS的最关键属性分开，并且根据这些属性，心脏病被分类为患病或未患病的患病。使用Adabelief Optimizer训练该模型，以调整我们修改的GoogLenet架构的参数。使用Physionet 2016的各种数据集对模型进行了培训和验证。通过将Pascal数据集与Physionet 2016数据集集成在一起，提供了其他培训样本。此外，来自各种来源的各种样本使我们的系统能够更准确地了解日常生活中的声音。我们的结果表明，使用Adabelief Optimizer进行修改的Googlenet架构，训练有素的模型分别在Physionet和合并数据集的看不见的HS录音中获得了100％和99.9％的测试精度。通过将我们提出的模型与这些数据集中的官员Physionet网站上列出的得分最高的方法进行比较，结果显示出显着改进。