000			04486namaa22004331i 4500
003			OSt
005			20251019112405.0
008			251011s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a610.28
092			_a610.28 _221
097			_aM.Sc
099			_aCai01.13.03.M.Sc.2025.Ra.C
100	0		_aRahma Sayed Saad Elsayed, _epreparation.
245	1	2	_aA combined deep learning-regression paradigm for echocardiography-based left ventricle ejection fraction prediction / _cby Rahma Sayed Saad Elsayed ; Supervisors Prof. Manal Abdel Wahed, Prof. Neven Saleh.
246	1	5	_aنموذج مركب للتعلم العميق والانحدار لتوقع كسر القذف للبطين الأيسر المعتمد على تخطيط صدى القلب
264		0	_c2025.
300			_a64 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 61-64.
520		3	_aWith 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.
520		3	_aمع 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aBiomedical Engineering
650		0	_aالهندسة الحيوية الطبية
653		1	_aEchocardiography _aLeft ventricle ejection fraction _aDeep learning _aMachine learning _aRegression model
700	0		_aManal Abdel Wahed _ethesis advisor.
700	0		_aNeven Saleh _ethesis advisor.
900			_b01-01-2025 _cManal Abdel Wahed _cNeven Saleh _dAhmed Hisham Kandil _dKhaled Mostafa El Sayed _UCairo University _FFaculty of Engineering _DDepartment of Biomedical Engineering and Systems
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c174695