利用机器学习技术识别缺血性中风的起源

# 利用机器学习技术识别缺血性中风的起源 ## 1. 引言 缺血性中风是全球第二大死亡原因，每年有超过1500万人因脑部动脉被血块阻塞而患上缺血性中风。二次中风（占总病例的23%）会降低患者的生存几率。若医生能准确找出中风病因，就能确定中风发作后的治疗方案，从而减少后续中风的发生。 目前，医疗专业人员正尝试运用机器学习技术来预测缺血性中风的病因和血块起源。卷积神经网络（CNNs）和梯度提升（如CatBoost）等机器学习技术在解决复杂问题上表现出色。CNN常用于视觉应用，能识别图像中的各种模式；而梯度提升则适用于处理包含噪声数据、复杂关系和异构特征的学习问题。 ## 2. 文献综述 - **脑部肿瘤分类模型**：Sultan等人提出基于多层CNN的脑部肿瘤分类模型，使用两个公开数据集对三种脑部肿瘤进行分类；Ismael等人提出的模型使用MRI数据集对胶质瘤、脑膜瘤和垂体瘤进行分类；Baddran等人使用MRI进行脑部肿瘤分类，通过CNN和ROI方法识别肿瘤区域。 - **缺血性中风研究**：Chen等人使用多种机器学习算法研究缺血性中风，发现CatBoost模型比随机森林、AdaBoost和XGBoost具有更高的准确性；Ayyanar的研究通过关联心血管数据集的风险因素，使用多种提升算法预测心脏疾病。 - **模糊系统应用**：模糊系统也用于缺血性中风的识别，其可解释性有助于解释预测结果。 ## 3. 系统描述 ### 3.1 系统架构 该系统分为输入块、分类块和性能评估块，每个块都有特定任务。分类任务从数据集中提取图像开始，同时从数据集的csv文件中获取相应标签，将图像标签重命名为CE或LAA类，然后将数据集分为训练集和测试集。 ### 3.2 数据集描述和实验设置 使用Mayo医院的血液凝块数据集，包含756张高分辨率TIF图像，其中一部分是心源性栓塞性动脉粥样硬化（CE）的血块，另一部分是大动脉粥样硬化（LAA）的血块。实验使用Intel Core处理器（TM）i5 - 1035G1 CPU @ 1.99 GHz 8、16 GB RAM和GeForce GT 730 GPU，以及Ubuntu 16.04 LTS和Python 3.8软件包。 ### 3.3 数据预处理 - **图像格式转换**：将TIF图像下采样为200×200像素的.jpg格式，以降低计算复杂度并保留图像信息。 - **数据增强**：为避免过拟合问题，对训练数据集进行水平和垂直翻转、随机裁剪等操作，同时保持类标签不变，以提高模型性能。 以下是数据集中各类别的图像数量分布： | 类别 |