基于 3D CNN 分割、迁移学习与 Adagrad 优化的 CHD 检测优化机器学习方法
计算机视觉与模式识别
2023-05-02 v1 人工智能
摘要
在全球范围内,冠心病(CHD)是主要死因之一。CHD 的早期检测可改善患者预后并降低死亡率。我们提出了一种利用机器学习与图像处理技术组合预测 CHD 是否存在的新框架。该框架包含多个阶段,包括数据分析、使用 ReliefF 的特征选择、基于 3D CNN 的分割、通过迁移学习的特征提取、特征融合以及分类,还有 Adagrad 优化。所提框架的第一步是分析数据以识别可能指示 CHD 的模式和相关性。接下来,应用 ReliefF 特征选择从样本图像中确定最相关的特征。然后利用基于 3D CNN 的分割技术分割视盘和黄斑,它们是 CHD 诊断的重要区域。使用迁移学习进行特征提取,从分割出的感兴趣区域中提取特征。随后使用特征融合技术融合提取的特征,并训练分类器以预测 CHD 的存在。最后,使用 Adagrad 优化来优化分类器的性能。我们的框架在收集自 CHD 患者与非 CHD 患者的样本图像数据集上进行了评估。结果表明,与先前使用的 SVM 等分类器相比,预期框架在以合理准确度预测 CHD 存在方面取得了较高的准确度,无论是针对特定用户。
引用
@article{arxiv.2305.00411,
title = {Optimized Machine Learning for CHD Detection using 3D CNN-based Segmentation, Transfer Learning and Adagrad Optimization},
author = {R. Selvaraj and T. Satheesh and V. Suresh and V. Yathavaraj},
journal= {arXiv preprint arXiv:2305.00411},
year = {2023}
}