Phát hiện và phân loại một số bệnh tim Sử dụng kỹ thuật học sâu trong môi trường dữ liệu lớn
Từ khóa
Tóm tắt
Bệnh tim hay bệnh tim mạch là nhóm bệnh lý gây tử vong hàng đầu hiện nay. Việc phát hiện và phân loại sớm các bệnh lý về tim mạch để đưa ra phương hướng điều trị là vô cùng cần thiết. Chụp MRI tim có thể xác định được cấu trúc, kích thước các buồng tim, van tim và các mạch máu lớn. Trong bài báo này, chúng tôi đề xuất các kỹ thuật học sâu để phát hiện và phân loại bệnh tim dựa trên kiến trúc mạng InceptionV3, DenseNet121, ResNet-152, Vision Transformer và kết hợp công nghệ xử lý dữ liệu lớn để phân loại ảnh chụp MRI tim bình thường và ảnh MRI tim mắc bệnh. Qua kết quả thực nghiệm cho thấy độ chính xác của mô hình đề xuất lên đến 98.7%.##plugins.themes.default.displayStats.downloads##
Tài liệu tham khảo
[1] Lubna Riyaz, Muheet Ahmed Butt, Majid Zaman & Omeera Ayob (2021). Heart disease prediction using machine learning techniques: a quantitative review. International Conference on Innovative Computing and Communications.
[2] Aniruddha Dutta, Tamal Batabyal, Meheli Basu, Scott T. Acton (2022). An efficient convolutional neural network for coronary heart disease prediction. Artificial Intelligence in Medicine, Volume 128, June 2022, 102289
[3] S.I. Ayon, M.M. Islam, M.R. Hossain (2020). Coronary artery heart disease prediction: a comparative study of computational intelligence techniques. IETE Journal of Research, Pages 2488-2507, Published online: 21 Jan 2020
[4] Zahra Hoodbhoy, Uswa Jiwani, Saima Sattar, Rehana Salam, Babar Hasan, Jai K. Das (2021). Diagnostic accuracy of machine learning models to identify congenital heart disease: a meta-analysis. Frontiers in artificial intelligence, volume 4 – 2021
[5] O. Bernard, A. Lalande, C. Zotti, F. Cervenansky (2018). Deep Learning Techniques for Automatic MRI Cardiac Multi-structures Segmentation and Diagnosis: Is the Problem Solved. IEEE Transactions on Medical Imaging, vol. 37, no. 11, pp. 2514-2525.
[6] C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens and Z. Wojna (2016). Rethinking the Inception Architecture for Computer Vision. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2818-2826.
[7] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun (2015). Deep Residual Learning for Image Recognition. arXiv:1512.03385 (cs.CV).
[8] G. Huang, Z. Liu, van, và Weinberger, Kilian Q (2016). Densely Connected Convolutional Networks. arXiv.org, arXiv.org/abs/1608.06993.
[9] Kai Han, Yunhe Wang, Hanting Chen, Xinghao Chen, Jianyuan Guo, Zhenhua Liu, Yehui Tang, An Xiao, Chunjing Xu, Yixing Xu, Zhaohui Yang, Yiman Zhang, and Dacheng Tao Fellow (2023). A Survey on Vision Transformer. IEEE Transactions on Pattern Analysis and Machine Intelligence, Jan. 2023, pp. 87-110, vol. 45
[10] Eman Shaikh, Iman Ahmed Mohiuddin , Yasmeen Alufaisan, Irum Nahvi (2019). Apache Spark: A Big Data Processing Engine. 2019 2nd IEEE Middle East and North Africa COMMunications Conference.
[11] Jason Dai, Yiheng Wang, Xin Qiu, Ding Ding, Yao Zhang, Yanzhang Wang, Xianyan Jia, Cherry Zhang, Yan Wan, Zhichao Li, Jiao Wang, Shengsheng Huang, Zhongyuan Wu, Yang Wang, Yuhao Yang, Bowen She, Dongjie Shi, Qi Lu, Kai Huang, Guoqiong Song (2018). BigDL: A Distributed Deep Learning Framework for Big Data. arXiv:1804.05839 [cs.DC].
[12] Jeffrey Dean, Sanjay Ghemawat (2008). MapReduce: simplified data processing on large clusters. Communications of the ACM, Volume 51, Issue 1,pp 107–113.
[13] Jelmer M. Wolterink, Tim Leiner, Max A. Viergever, Ivana Isgum (2017). Automatic Segmentation and Disease Classification Using Cardiac Cine MR Images. arXiv:1708.01141 [cs.CV]
