Klassifizierung ischämischer Schlaganfälle mit VGG-16 Convolutional Neural Networks: Eine Studie über marokkanische MRT-Scans

Diese Studie präsentiert eine umfassende Erkundung von Deep-Learning-Modellen zur präzisen Klassifizierung ischämischer Schlaganfälle im Gehirn anhand medizinischer Daten aus Marokko. Nach dem OSEMN-Ansatz nutzt unsere Methodik Transferlernen mit der VGG-16-Architektur und setzt Datenaugmentierungstechniken ein, um die Modellleistung zu verbessern. Unser entwickeltes Modell erreichte eine bemerkenswerte Validierungsgenauigkeit von 90 %, was andere hochmoderne Modelle (ResNet50: 87,0 %, InceptionV3: 82,0 %, VGG-19: 81,0 %) übertraf. Besonders hervorzuheben ist, dass alle Modelle rigoros an demselben sorgfältig kuratierten Datensatz evaluiert wurden, um faire und konsistente Vergleiche zu gewährleisten. Die Untersuchung unterstreicht die überlegene Leistung von VGG-16 bei der Unterscheidung von Schlaganfallfällen und hebt dessen Potenzial als robustes Werkzeug für eine genaue Diagnose hervor. Vergleichende Analysen unter beliebten Deep-Learning-Architekturen zeigen nicht nur die Wirksamkeit unseres Modells, sondern betonen auch die Bedeutung der Auswahl der richtigen Architektur für Aufgaben der medizinischen Bildklassifizierung. Diese Ergebnisse tragen zu den wachsenden Beweisen bei, die fortschrittliche Deep-Learning-Techniken in der medizinischen Bildgebung unterstützen. Mit einer Validierungsgenauigkeit von 90 % hat unser Modell erhebliches Potenzial für Anwendungen im Gesundheitswesen in der realen Welt und zeigt die entscheidende Rolle modernster Technologien zur Verbesserung der diagnostischen Genauigkeit sowie das transformative Potenzial des Deep Learning im medizinischen Bereich.