TY  - BOOK
AU  - Rahma Sayed Saad Elsayed, 
AU  - Manal Abdel Wahed 
AU  - Neven Saleh
TI  - A combined deep learning-regression paradigm for echocardiography-based left ventricle ejection fraction prediction
U1  - 610.28 
PY  - 2025///
KW  - Biomedical Engineering
KW  - الهندسة الحيوية الطبية
KW  - Echocardiography
KW  - Left ventricle ejection fraction
KW  - Deep learning
KW  - Machine learning
KW  - Regression model
N1  - Thesis (M.Sc)-Cairo University, 2025; Bibliography: pages 61-64; Issues also as CD
N2  - 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
ER  -