A combined deep learning-regression paradigm for echocardiography-based left ventricle ejection fraction prediction / by Rahma Sayed Saad Elsayed ; Supervisors Prof. Manal Abdel Wahed, Prof. Neven Saleh.

By:

Rahma Sayed Saad Elsayed [preparation.]

Contributor(s):

Material type: Text

TextLanguage: English Summary language: English, Arabic Producer: 2025Description: 64 pages : illustrations ; 30 cm. + CDContent type:

text

Media type:

Unmediated

Carrier type:

volume

Other title:

نموذج مركب للتعلم العميق والانحدار لتوقع كسر القذف للبطين الأيسر المعتمد على تخطيط صدى القلب [Added title page title]

Subject(s):

DDC classification:

610.28

Available additional physical forms:

Issues also as CD.

Dissertation note: Thesis (M.Sc)-Cairo University, 2025. Summary: With an emphasis on apical four-chamber views, this study improves cardiac function categorization and LVEF prediction from echocardiographic images using deep learning, machine learning, and regression techniques. Advanced convolutional neural networks were used to optimize feature representation, with ResNet-50 demonstrating the highest classification accuracy. The comprehensive feature representations were then integrated into both the Gaussian machine learning model and the Gaussian Process Regression model. For classification, the model achieved 89% accuracy and was then validated using a new dataset, achieving 87.88% accuracy. The regression model was constructed to predict ejection fraction values, yielding a high R-squared value of 0.92 and a high mean absolute error (MAE) of 1.32, and for the new dataset, the R-squared value of 0.88 and a high mean absolute error (MAE) of 3.563. The results underscore the effectiveness of enhanced feature extraction in advancing cardiac function assessment and addressing gaps in the literature.Summary: مع التركيز على مشاهد الأربع غرف القمية، تحسن هذه الدراسة تصنيف وظيفة القلب وتنبؤ كسر القذف البطيني الأيسر من صور الإيكو باستخدام تقنيات التعلم العميق، التعلم الآلي، وتقنيات الانحدار. تم استخدام الشبكات العصبية الالتفافية المتقدمة لتحسين تمثيل الميزات، حيث أظهر نموذج ResNet-50 أعلى دقة في التصنيف. تم دمج تمثيلات الميزات الشاملة في كل من نموذج التعلم الآلي باستخدام عملية جاوسية (Gaussian) ونموذج الانحدار باستخدام عملية جاوسية. في التصنيف، حقق النموذج دقة بلغت 89%، ثم تم التحقق من صحته باستخدام مجموعة بيانات جديدة، حيث تم الوصول إلى دقة 87.88%. تم بناء نموذج انحدار للتنبؤ بقيم كسر القذف، مما أسفر عن قيمة عالية لمعامل التحديد (R²) بلغت 0.92 وخطأ مطلق متوسط (MAE) قدره 1.32. أما بالنسبة لمجموعة البيانات الجديدة، فكانت قيمة R² تساوي 0.88، مع خطأ مطلق متوسط (MAE) قدره 3.563. تؤكد النتائج فعالية تحسين استخراج الميزات في تحسين تقييم وظيفة القلب ومعالجة الفجوات في الادبيات.

Tags from this library: No tags from this library for this title. Log in to add tags.

Average rating: 0.0 (0 votes)

Holdings
Item type	Current library	Home library	Call number	Status	Barcode
Thesis	قاعة الرسائل الجامعية - الدور الاول	المكتبة المركزبة الجديدة - جامعة القاهرة	Cai01.13.03.M.Sc.2025.Ra.C (Browse shelf(Opens below))	Not for loan	01010110092128000

Thesis (M.Sc)-Cairo University, 2025.

Bibliography: pages 61-64.

With an emphasis on apical four-chamber views, this study improves cardiac function categorization and LVEF prediction from echocardiographic images using deep learning, machine learning, and regression techniques. Advanced convolutional neural networks were used to optimize feature representation, with ResNet-50 demonstrating the highest classification accuracy. The comprehensive feature representations were then integrated into both the Gaussian machine learning model and the Gaussian Process Regression model. For classification, the model achieved 89% accuracy and was then validated using a new dataset, achieving 87.88% accuracy. The regression model was constructed to predict ejection fraction values, yielding a high R-squared value of 0.92 and a high mean absolute error (MAE) of 1.32, and for the new dataset, the R-squared value of 0.88 and a high mean absolute error (MAE) of 3.563. The results underscore the effectiveness of enhanced feature extraction in advancing cardiac function assessment and addressing gaps in the literature.

مع التركيز على مشاهد الأربع غرف القمية، تحسن هذه الدراسة تصنيف وظيفة القلب وتنبؤ كسر القذف البطيني الأيسر من صور الإيكو باستخدام تقنيات التعلم العميق، التعلم الآلي، وتقنيات الانحدار. تم استخدام الشبكات العصبية الالتفافية المتقدمة لتحسين تمثيل الميزات، حيث أظهر نموذج ResNet-50 أعلى دقة في التصنيف. تم دمج تمثيلات الميزات الشاملة في كل من نموذج التعلم الآلي باستخدام عملية جاوسية (Gaussian) ونموذج الانحدار باستخدام عملية جاوسية. في التصنيف، حقق النموذج دقة بلغت 89%، ثم تم التحقق من صحته باستخدام مجموعة بيانات جديدة، حيث تم الوصول إلى دقة 87.88%. تم بناء نموذج انحدار للتنبؤ بقيم كسر القذف، مما أسفر عن قيمة عالية لمعامل التحديد (R²) بلغت 0.92 وخطأ مطلق متوسط (MAE) قدره 1.32. أما بالنسبة لمجموعة البيانات الجديدة، فكانت قيمة R² تساوي 0.88، مع خطأ مطلق متوسط (MAE) قدره 3.563. تؤكد النتائج فعالية تحسين استخراج الميزات في تحسين تقييم وظيفة القلب ومعالجة الفجوات في الادبيات.

Issues also as CD.

Text in English and abstract in Arabic & English.

There are no comments on this title.

to post a comment.

جامعة القاهرة

المكتبة المركزية الجديدة

مكتبة جامعة القاهرة الأهلية

A combined deep learning-regression paradigm for echocardiography-based left ventricle ejection fraction prediction / by Rahma Sayed Saad Elsayed ; Supervisors Prof. Manal Abdel Wahed, Prof. Neven Saleh.