Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання

Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання

Cardiac MRI is a key method for diagnosing cardiovascular diseases, offering detailed insights into heart structure and function. However, the complexity of cardiac pathologies requires advanced methods for accurate diagnosis. This paper proposes an improved method for classifying heart diseases usi...

Повний опис

Збережено в:
Бібліографічні деталі
Дата:2024
Автори: Слободзян, В.О., Бармак , О.В.
Формат: Стаття
Мова:Ukrainian
Опубліковано: Vinnytsia National Technical University 2024
Теми:
МРТ серця
патологія серця
глибоке навчання
класифікація
каскадна модель
Онлайн доступ:https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/735
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Optoelectronic Information-Power Technologies

Репозитарії

Optoelectronic Information-Power Technologies
id oai:oeipt.vntu.edu.ua:article-735
record_format ojs
institution Optoelectronic Information-Power Technologies
baseUrl_str
datestamp_date 2024-11-19T13:20:53Z
collection OJS
language Ukrainian
topic МРТ серця
патологія серця
глибоке навчання
класифікація
каскадна модель
spellingShingle МРТ серця
патологія серця
глибоке навчання
класифікація
каскадна модель
Слободзян, В.О.
Бармак , О.В.
Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання
topic_facet cardiac MRI
heart pathology
deep learning
classification
cascade model
МРТ серця
патологія серця
глибоке навчання
класифікація
каскадна модель
format Article
author Слободзян, В.О.
Бармак , О.В.
author_facet Слободзян, В.О.
Бармак , О.В.
author_sort Слободзян, В.О.
title Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання
title_short Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання
title_full Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання
title_fullStr Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання
title_full_unstemmed Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання
title_sort метод класифікації мрт зображень серця за каскадними моделями глибокого навчання
title_alt Method of cardiac MRT of classification based on deep learning cascade models
description Cardiac MRI is a key method for diagnosing cardiovascular diseases, offering detailed insights into heart structure and function. However, the complexity of cardiac pathologies requires advanced methods for accurate diagnosis. This paper proposes an improved method for classifying heart diseases using a cascade of binary classifiers based on deep learning. By leveraging this cascade approach, the system is able to break down the classification process into multiple stages, each focusing on a specific disease, which enhances the overall accuracy and reliability of the diagnosis. The proposed model is designed to accurately identify a range of heart diseases, including hypertrophic cardiomyopathy, myocardial infarction, dilated cardiomyopathy, and right ventricular abnormalities. The use of a cascade of classifiers enables a more efficient classification process by dividing the task into smaller, manageable subtasks. Each classifier in the cascade is specialized in detecting a particular pathology, allowing the model to focus on the unique characteristics of each disease. This approach reduces the risk of misclassification between similar conditions and improves the overall accuracy of the model. The method achieves an impressive average accuracy of 97.2%, which surpasses the results of known approaches. In particular, individual classifiers demonstrate up to 100% accuracy in detecting hypertrophic cardiomyopathy and right ventricular abnormalities, showcasing the precision of the model in these areas. For myocardial infarction and dilated cardiomyopathy, the method achieves an accuracy of 90%, which, although slightly lower, still represents a high level of diagnostic performance. These results highlight the significant potential of this method for clinical application, offering a more reliable tool for the diagnosis of complex heart conditions. However, the findings also emphasize the necessity of further development, particularly in cases involving less typical or more challenging pathologies. Future work will focus on refining the model and expanding its applicability across a broader range of clinical scenarios to ensure its robustness and effectiveness in real-world settings.
publisher Vinnytsia National Technical University
publishDate 2024
url https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/735
work_keys_str_mv AT slobodzânvo methodofcardiacmrtofclassificationbasedondeeplearningcascademodels
AT barmakov methodofcardiacmrtofclassificationbasedondeeplearningcascademodels
AT slobodzânvo metodklasifíkacíímrtzobraženʹsercâzakaskadnimimodelâmiglibokogonavčannâ
AT barmakov metodklasifíkacíímrtzobraženʹsercâzakaskadnimimodelâmiglibokogonavčannâ
first_indexed 2025-09-24T17:29:38Z
last_indexed 2025-09-24T17:29:38Z
_version_ 1850410279449395200
spelling oai:oeipt.vntu.edu.ua:article-7352024-11-19T13:20:53Z Method of cardiac MRT of classification based on deep learning cascade models Метод класифікації МРТ зображень серця за каскадними моделями глибокого навчання Слободзян, В.О. Бармак , О.В. cardiac MRI, heart pathology, deep learning, classification, cascade model МРТ серця, патологія серця, глибоке навчання, класифікація, каскадна модель Cardiac MRI is a key method for diagnosing cardiovascular diseases, offering detailed insights into heart structure and function. However, the complexity of cardiac pathologies requires advanced methods for accurate diagnosis. This paper proposes an improved method for classifying heart diseases using a cascade of binary classifiers based on deep learning. By leveraging this cascade approach, the system is able to break down the classification process into multiple stages, each focusing on a specific disease, which enhances the overall accuracy and reliability of the diagnosis. The proposed model is designed to accurately identify a range of heart diseases, including hypertrophic cardiomyopathy, myocardial infarction, dilated cardiomyopathy, and right ventricular abnormalities. The use of a cascade of classifiers enables a more efficient classification process by dividing the task into smaller, manageable subtasks. Each classifier in the cascade is specialized in detecting a particular pathology, allowing the model to focus on the unique characteristics of each disease. This approach reduces the risk of misclassification between similar conditions and improves the overall accuracy of the model. The method achieves an impressive average accuracy of 97.2%, which surpasses the results of known approaches. In particular, individual classifiers demonstrate up to 100% accuracy in detecting hypertrophic cardiomyopathy and right ventricular abnormalities, showcasing the precision of the model in these areas. For myocardial infarction and dilated cardiomyopathy, the method achieves an accuracy of 90%, which, although slightly lower, still represents a high level of diagnostic performance. These results highlight the significant potential of this method for clinical application, offering a more reliable tool for the diagnosis of complex heart conditions. However, the findings also emphasize the necessity of further development, particularly in cases involving less typical or more challenging pathologies. Future work will focus on refining the model and expanding its applicability across a broader range of clinical scenarios to ensure its robustness and effectiveness in real-world settings. МРТ-дослідження серця є ключовим методом для діагностики серцево-судинних захворювань .У статті запропоновано вдосконалення методу класифікації серцевих захворювань за допомогою каскаду бінарних класифікаторів на основі глибокого навчання. Запропонована модель спрямована на точне розпізнавання таких захворювань, як гіпертрофічна кардіоміопатія, інфаркт міокарда та дилатаційна кардіоміопатія. Використання каскаду дозволяє покращити ефективність класифікації, поділяючи загальну задачу на менші підзадачі, кожна з яких орієнтована на виявлення конкретної патології. Таким чином, модель може краще фокусуватися на характерних особливостях захворювань, що мінімізує ризики сплутування між подібними патологіями та підвищує загальну точність. Метод досягає середньої точності 97,2%, що перевершує результати відомих підходів. Окремі класифікатори показують точність до 100% при виявленні гіпертрофічної кардіоміопатії та аномалій правого шлуночка, в той час як для інфаркту міокарда та дилатаційної кардіоміопатії точність становить 90%. Ці результати свідчать про потенціал методу для використання в клінічній практиці, але також підкреслюють необхідність подальшого вдосконалення при роботі з менш типовими або складними випадками. Vinnytsia National Technical University 2024-11-19 Article Article application/pdf https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/735 10.31649/1681-7893-2024-48-2-104-113 Optoelectronic Information-Power Technologies; Vol. 48 No. 2 (2024); 104-113 Оптико-електроннi iнформацiйно-енергетичнi технологiї; Том 48 № 2 (2024); 104-113 Оптико-електроннi iнформацiйно-енергетичнi технологiї; Том 48 № 2 (2024); 104-113 2311-2662 1681-7893 10.31649/10.31649/1681-7893-2024-48-2 uk https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/735/681

Схожі ресурси