Artigo em revista científica Q2
AI-based aortic stenosis classification in MRI scans
Luís B. Elvas (Elvas, L. B.); Pedro Águas (Águas, P.); Joao C Ferreira or Joao Ferreira (Ferreira, J.); João Pedro Oliveira (Oliveira, J.); Miguel Sales Dias (Dias, J.); Luís Brás Rosário (Rosário, L. B.);
Título Revista
Electronics
Ano (publicação definitiva)
2023
Língua
Inglês
País
Suíça
Mais Informação
Web of Science®

N.º de citações: 0

(Última verificação: 2024-05-21 23:09)

Ver o registo na Web of Science®

Scopus

N.º de citações: 0

(Última verificação: 2024-05-21 15:18)

Ver o registo na Scopus

Google Scholar

N.º de citações: 1

(Última verificação: 2024-05-21 16:28)

Ver o registo no Google Scholar

Abstract/Resumo
Aortic stenosis (AS) is a critical cardiovascular condition that necessitates precise diagnosis for effective patient care. Despite a limited dataset comprising only 202 images, our study employs transfer learning to investigate the efficacy of five convolutional neural network (CNN) models, coupled with advanced computer vision techniques, in accurately classifying AS. The VGG16 model stands out among the tested models, achieving 95% recall and F1-score. To fortify the model’s robustness and generalization, we implement various data augmentation techniques, including translation, rotation, flip, and brightness adjustment. These techniques aim to capture real-world image variations encountered in clinical settings. Validation, conducted using authentic data from Hospital Santa Maria, not only affirms the clinical applicability of our model but also highlights the potential to develop robust models with a limited number of images. The models undergo training after the images undergo a series of computer vision and data augmentation techniques, as detailed in this paper. These techniques augment the size of our dataset, contributing to improved model performance. In conclusion, our study illuminates the potential of AI-driven AS detection in MRI scans. The integration of transfer learning, CNN models, and data augmentation yields high accuracy rates, even with a small dataset, as validated in real clinical cases.
Agradecimentos/Acknowledgements
--
Palavras-chave
MRI imaging,Aortic disease classification,Aortic stenosis,Artificial intelligence,Deep learning,MRI classification,Convolutional neural networks (CNN),Transfer learning,Data augmentation
  • Ciências da Computação e da Informação - Ciências Naturais
Registos de financiamentos
Referência de financiamento Entidade Financiadora
UIDB/04466/2020 Fundação para a Ciência e a Tecnologia
UI/BD/151494/2021 Fundação para a Ciência e a Tecnologia
DSAIPA/AI/0122/2020 Fundação para a Ciência e a Tecnologia
Projetos Relacionados

Esta publicação é um output do(s) seguinte(s) projeto(s):

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência-IUL a possibilidade de associação, quando aplicável, dos artigos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados pelo(s) autor(es) para esta publicação. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.