Published January 1, 2021
| Version v1
Publication
Open
BHCNet: Neural Network-Based Brain Hemorrhage Classification Using Head CT Scan
Creators
- 1. Islamia University of Bahawalpur
- 2. King Khalid University
- 3. National University of Computer and Emerging Sciences
Description
Brain Hemorrhage is the eruption of the brain arteries due to high blood pressure or blood clotting that could be a cause of traumatic injury or death. It is the medical emergency in which a doctor also need years of experience to immediately diagnose the region of the internal bleeding before starting the treatment. In this study, the deep learning models Convolutional Neural Network (CNN), hybrid models CNN + LSTM and CNN + GRU are proposed for the Brain Hemorrhage classification. The 200 head CT scan images dataset is used to boost the accuracy rate and computational power of the deep learning models. The major aim of this study is to use the abstraction power of deep learning on a set of fewer images because in most crucial cases extensive datasets are not available on the spot. The image augmentation and imbalancing the dataset methods are adopted with CNN model to design a unique architecture and named as Brain Hemorrhage Classification based on Neural Network (BHCNet). The performance of the proposed approach are analyzed in terms of accuracy, precision, sensitivity, specificity and F1-score. Further, the experimental results are evaluated by comparative analyses of the balanced and imbalanced dataset with CNN, CNN + LSTM and CNN + GRU models. The promising results are achieved with CNN by imbalancing the dataset and gain highest accuracy that outperforms the hybrid CNN + LSTM and CNN + GRU models. The results reveals the effectiveness of the proposed model for accurate prediction to save the life of the patient in the meantime and fast employment in the real life scenario.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
نزيف الدماغ هو ثوران شرايين الدماغ بسبب ارتفاع ضغط الدم أو تخثر الدم الذي يمكن أن يكون سببًا للإصابة الرضحية أو الوفاة. هي الحالة الطبية الطارئة التي يحتاج فيها الطبيب أيضًا إلى سنوات من الخبرة لتشخيص منطقة النزيف الداخلي على الفور قبل بدء العلاج. في هذه الدراسة، تم اقتراح نماذج التعلم العميق Convolutional Neural Network (CNN) والنماذج الهجينة CNN + LSTM و CNN + GRU لتصنيف نزيف الدماغ. تُستخدم مجموعة بيانات صور التصوير المقطعي المحوسب 200 رأس لتعزيز معدل الدقة والقوة الحسابية لنماذج التعلم العميق. الهدف الرئيسي من هذه الدراسة هو استخدام القوة التجريدية للتعلم العميق على مجموعة من الصور الأقل لأنه في معظم الحالات الحاسمة لا تتوفر مجموعات بيانات واسعة على الفور. يتم اعتماد أساليب زيادة الصورة وعدم التوازن في مجموعة البيانات مع نموذج CNN لتصميم بنية فريدة وتسمى تصنيف نزيف الدماغ بناءً على الشبكة العصبية (BHCNet). يتم تحليل أداء النهج المقترح من حيث الدقة والدقة والحساسية والخصوصية ودرجة F1. علاوة على ذلك، يتم تقييم النتائج التجريبية من خلال التحليلات المقارنة لمجموعة البيانات المتوازنة وغير المتوازنة مع نماذج CNN و CNN + LSTM و CNN + GRU. يتم تحقيق النتائج الواعدة مع CNN من خلال اختلال توازن مجموعة البيانات واكتساب أعلى دقة تتفوق على نماذج CNN + LSTM و CNN + GRU الهجينة. تكشف النتائج عن فعالية النموذج المقترح للتنبؤ الدقيق لإنقاذ حياة المريض في هذه الأثناء والتوظيف السريع في سيناريو الحياة الحقيقية.Translated Description (French)
L'hémorragie cérébrale est l'éruption des artères cérébrales due à une pression artérielle élevée ou à une coagulation sanguine qui pourrait être une cause de blessure traumatique ou de décès. Il s'agit de l'urgence médicale dans laquelle un médecin a également besoin d'années d'expérience pour diagnostiquer immédiatement la région du saignement interne avant de commencer le traitement. Dans cette étude, les modèles d'apprentissage profond Convolutional Neural Network (CNN), les modèles hybrides CNN + LSTM et CNN + GRU sont proposés pour la classification des hémorragies cérébrales. L'ensemble de données de 200 images de tomodensitométrie de la tête est utilisé pour augmenter le taux de précision et la puissance de calcul des modèles d'apprentissage profond. L'objectif principal de cette étude est d'utiliser le pouvoir d'abstraction de l'apprentissage profond sur un ensemble d'images moins nombreuses car, dans la plupart des cas cruciaux, des ensembles de données étendus ne sont pas disponibles sur place. L'augmentation de l'image et le déséquilibre des méthodes de l'ensemble de données sont adoptés avec le modèle CNN pour concevoir une architecture unique et nommés Classification des hémorragies cérébrales basée sur le réseau neuronal (BHCNet). Les performances de l'approche proposée sont analysées en termes de précision, de précision, de sensibilité, de spécificité et de F1-score. En outre, les résultats expérimentaux sont évalués par des analyses comparatives de l'ensemble de données équilibré et déséquilibré avec les modèles CNN, CNN + LSTM et CNN + GRU. Les résultats prometteurs sont obtenus avec CNN en déséquilibrant l'ensemble de données et en obtenant la plus grande précision qui surpasse les modèles hybrides CNN + LSTM et CNN + GRU. Les résultats révèlent l'efficacité du modèle proposé pour une prédiction précise afin de sauver la vie du patient dans l'intervalle et un emploi rapide dans le scénario de la vie réelle.Translated Description (Spanish)
La hemorragia cerebral es la erupción de las arterias cerebrales debido a la presión arterial alta o la coagulación de la sangre que podría ser una causa de lesión traumática o muerte. Es la emergencia médica en la que un médico también necesita años de experiencia para diagnosticar inmediatamente la región de la hemorragia interna antes de comenzar el tratamiento. En este estudio se proponen los modelos de aprendizaje profundo Convolutional Neural Network (CNN), modelos híbridos CNN + LSTM y CNN + Gru para la clasificación de Hemorragia Cerebral. El conjunto de datos de imágenes de tomografía computarizada de 200 cabezas se utiliza para aumentar la tasa de precisión y el poder computacional de los modelos de aprendizaje profundo. El objetivo principal de este estudio es utilizar el poder de abstracción del aprendizaje profundo en un conjunto de menos imágenes porque, en la mayoría de los casos cruciales, no se dispone de conjuntos de datos extensos sobre el terreno. El aumento de imágenes y el desequilibrio de los métodos de conjuntos de datos se adoptan con el modelo CNN para diseñar una arquitectura única y se denominan Clasificación de hemorragias cerebrales basada en la red neuronal (BHCNet). El rendimiento del enfoque propuesto se analiza en términos de exactitud, precisión, sensibilidad, especificidad y puntuación F1. Además, los resultados experimentales se evalúan mediante análisis comparativos del conjunto de datos equilibrado y desequilibrado con los modelos CNN, CNN + LSTM y CNN + Gru. Los resultados prometedores se logran con CNN al desequilibrar el conjunto de datos y obtener la mayor precisión que supera a los modelos híbridos CNN + LSTM y CNN + Gru. Los resultados revelan la efectividad del modelo propuesto para una predicción precisa para salvar la vida del paciente mientras tanto y un empleo rápido en el escenario de la vida real.Files
09507442.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:0037198d013a5797c8758d9e9838f69a
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- BHCNet: تصنيف نزيف الدماغ القائم على الشبكة العصبية باستخدام التصوير المقطعي المحوسب للرأس
- Translated title (French)
- BHCNet : Classification des hémorragies cérébrales basée sur le réseau neuronal à l'aide du scanner de la tête
- Translated title (Spanish)
- BHCNet: Clasificación de la hemorragia cerebral basada en la red neuronal mediante tomografía computarizada de la cabeza
Identifiers
- Other
- https://openalex.org/W3192493130
- DOI
- 10.1109/access.2021.3102740
References
- https://openalex.org/W1985831322
- https://openalex.org/W2049586412
- https://openalex.org/W2095055971
- https://openalex.org/W2097117768
- https://openalex.org/W2112796928
- https://openalex.org/W2114214167
- https://openalex.org/W2117667713
- https://openalex.org/W2119374048
- https://openalex.org/W2134270744
- https://openalex.org/W2163605009
- https://openalex.org/W2194775991
- https://openalex.org/W2343172899
- https://openalex.org/W2344912502
- https://openalex.org/W2503412029
- https://openalex.org/W2574627522
- https://openalex.org/W2595085771
- https://openalex.org/W2777302100
- https://openalex.org/W2789876780
- https://openalex.org/W2792643794
- https://openalex.org/W2794411098
- https://openalex.org/W2803974577
- https://openalex.org/W2883545264
- https://openalex.org/W2884352268
- https://openalex.org/W2885195348
- https://openalex.org/W2895027383
- https://openalex.org/W2899675781
- https://openalex.org/W2912217870
- https://openalex.org/W2921305212
- https://openalex.org/W2926701059
- https://openalex.org/W2941099992
- https://openalex.org/W2948336782
- https://openalex.org/W2948346016
- https://openalex.org/W2961934740
- https://openalex.org/W2962835968
- https://openalex.org/W2963853787
- https://openalex.org/W2964191491
- https://openalex.org/W2964295685
- https://openalex.org/W2964982068
- https://openalex.org/W2982419638
- https://openalex.org/W2982872774
- https://openalex.org/W2984737280
- https://openalex.org/W2987441718
- https://openalex.org/W2989278094
- https://openalex.org/W2989873538
- https://openalex.org/W2995143015
- https://openalex.org/W2998072408
- https://openalex.org/W3001152983
- https://openalex.org/W3001673168
- https://openalex.org/W3001941893
- https://openalex.org/W3004371585
- https://openalex.org/W3005260862
- https://openalex.org/W3006053604
- https://openalex.org/W3006129156
- https://openalex.org/W3007668430
- https://openalex.org/W3009071683
- https://openalex.org/W3010521003
- https://openalex.org/W3010665365
- https://openalex.org/W3011076231
- https://openalex.org/W3015318159
- https://openalex.org/W3015983035
- https://openalex.org/W3033461544
- https://openalex.org/W3033877584
- https://openalex.org/W3045328045
- https://openalex.org/W3048483305
- https://openalex.org/W3048529935
- https://openalex.org/W3048717798
- https://openalex.org/W3084572912
- https://openalex.org/W3086844538
- https://openalex.org/W3086928989
- https://openalex.org/W3088032529
- https://openalex.org/W3089635656
- https://openalex.org/W3094615924
- https://openalex.org/W3139210187
- https://openalex.org/W4236769491
- https://openalex.org/W4238206044
- https://openalex.org/W4253460243
- https://openalex.org/W4311361333