相关实验视频
Updated: Jun 28, 2026
11:22
Assessment of Calcium Sparks in Intact Skeletal Muscle Fibers
Published on: February 24, 2014
15.7K
DenSFFNet:密集的尖端向前分数网络用于心血管风险预测,使用火花框架中的视网膜底图像
Kanchanamala P1, Anuradha G2, Radhika Gouni3
1Department of CSE, GMR Institute of Technology, Rajam, Andhra Pradesh, India.
Archives of physiology and biochemistry
|June 9, 2025
概括
一个新的密度尖端向前分数网络 (DenSFFNet) 模型通过整合各种数据来改善心血管风险预测. 这种人工智能方法在从视网膜图像中识别高风险个体时取得了超过90%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管健康 心血管健康
背景情况:
- 心血管疾病仍然是导致死亡的主要原因.
- 早期识别高风险个体对于预防性干预至关重要.
- 整合多样化的数据集和管理患者的变化在风险预测方面带来了重大挑战.
研究的目的:
- 引入密度尖端向前分数网络 (DenSFFNet) 模型,以提高心血管风险预测.
- 解决数据整合,质量控制和患者变异性方面的挑战.
- 利用分布式计算框架 (Spark) 进行高效的处理.
主要方法:
- 使用深层嵌入式集群 (DEC) 进行图像采集和分区.
- 预处理包括灰度转换,光盘 (OD) 分段 (CPCA) 和血管分段 (Frangi-Net).
- 功能提取 (LIFT,统计指标) 和聚合在使用DenSFFNet模型 (DenseNet + DSNN) 的主节点上.
主要成果:
- 在数据集1上,DenSFFNet实现了91.119%的准确性,90.366%的灵敏性,89.922%的特异性和92.643%的MCC.
- 在RFMiD 2.0数据集上,DenSFFNet报告了90.881%的准确性,90.286%的灵敏性,89.660%的特异性和91.469%的MCC.
- 该模型在从视网膜图像中对心血管风险进行分类方面表现强.
结论:
- 丹SFFNet模型为准确的心血管风险预测提供了一个有希望的方法.
- 深层嵌入式集群,注意力机制和尖端神经网络的整合增强了预测能力.
- 该Spark框架促进了拟议方法的可扩展和有效实施.
