脑裂症检测的混合机器学习模型
计算机视觉与模式识别
2026-03-10 v1 人工智能
摘要
对 Cerebral Palsy（CP）的有效治疗可从早期识别受影响儿童的过程开始，这些儿童仍处于疾病的早期阶段。大脑中的病理问题可以通过使用多种医学成像技术中的一种进行更好的诊断。磁共振成像（MRI）凭借其卓越的图像分辨率彻底改变了医学成像。本文提出一种独特的机器学习（ML）模型，用于识别 CP 病 disorder。该模型旨在帮助对新生儿进行早期诊断 CP。在本研究中，首先收集了大脑 MRI 图像数据集，然后应用预处理技术使其准备好用于所提出的模型。随后，构建了该模型，通过组合三个 CNN 模型——Specifically VGG 19、Efficient-Net 和 ResNet50——从图像中提取特征。随后，利用 Bi-LSTM 作为分类器来确定是否检测到 CP，最后使用所提出的模型进行训练和测试。结果表明，所提出的模型达到了 98.83% 的准确率，这高于 VGG-19（96.79%）、Efficient-Net（97.29%）和 VGG-16（97.50%）。当将所提建议的模型与过去使用过的其他模型进行比较时，准确度分数似乎要高得多。
引用
@article{arxiv.2603.06803,
title = {A Hybrid Machine Learning Model for Cerebral Palsy Detection},
author = {Karan Kumar Singh and Nikita Gajbhiye and Gouri Sankar Mishra},
journal= {arXiv preprint arXiv:2603.06803},
year = {2026}
}
备注
28 pages, 19 figures, 8 tables. This manuscript is based on the article published in the International Journal of Intelligent Systems and Applications in Engineering (IJISAE), 2024. The arXiv version is provided for open accessibility and wider dissemination