一种基于计算机断层扫描图像的脑卒中诊断高效深度学习框架
计算机视觉与模式识别
2025-12-19 v3 人工智能
摘要
脑卒中是全球死亡率和长期残疾的主要原因，凸显了精确快速预测技术的必要性。计算机断层扫描(CT)被认为是诊断脑卒中最有效的方法之一。大多数卒中分类技术使用单切片级预测机制，要求放射科医生从原始CT体积中手动选择最关键的CT切片。尽管传统诊断程序中常使用临床评估，但机器学习(ML)为改进卒中诊断开辟了新途径。为补充传统诊断技术，本研究利用CT扫描图像探索用于早期脑卒中预测的机器学习模型。本研究提出了一种新颖的脑卒中检测机器学习方法，重点在于使用预训练深度学习模型和先进优化策略优化分类性能。使用包括DenseNet201、InceptionV3、MobileNetV2、ResNet50和Xception在内的预训练模型进行特征提取。特征工程技术，包括BFO、PCA和LDA，进一步增强了模型性能。然后使用机器学习算法对这些特征进行分类，包括SVC、RF、XGB、DT、LR、KNN和GNB。我们的实验表明，MobileNetV2、LDA和SVC的组合达到了97.93%的最高分类准确率，显著优于其他模型-优化器-分类器组合。结果强调了将轻量级预训练模型与稳健的优化和分类技术相结合用于脑卒中诊断的有效性。
引用
@article{arxiv.2507.03558,
title = {An Efficient Deep Learning Framework for Brain Stroke Diagnosis Using Computed Tomography Images},
author = {Md. Sabbir Hossen and Eshat Ahmed Shuvo and Shibbir Ahmed Arif and Pabon Shaha and Anichur Rahman and Md. Saiduzzaman and Fahmid Al Farid and Hezerul Abdul Karim and Abu Saleh Musa Miah},
journal= {arXiv preprint arXiv:2507.03558},
year = {2025}
}
备注
Preprint version. Submitted for peer review