論文の概要: Robust Deep Learning Framework For Predicting Respiratory Anomalies and Diseases

• arxiv url: http://arxiv.org/abs/2002.03894v1
• Date: Tue, 21 Jan 2020 15:26:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-08 00:37:27.088399
• Title: Robust Deep Learning Framework For Predicting Respiratory Anomalies and Diseases
• Title（参考訳）: 呼吸異常と疾患を予測するためのロバストなディープラーニングフレームワーク
• Authors: Lam Pham, Ian McLoughlin, Huy Phan, Minh Tran, Truc Nguyen, Ramaswamy Palaniappan
• Abstract要約: 本稿では,呼吸音の記録から呼吸器疾患を検出するための,堅牢な深層学習フレームワークを提案する。 バックエンドのディープラーニングモデルは、特徴を呼吸器疾患または異常のクラスに分類する。 ICBHIベンチマークを用いて実験を行い, 音の分類能力を評価する。
• 参考スコア（独自算出の注目度）: 26.786743524562322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a robust deep learning framework developed to detect respiratory diseases from recordings of respiratory sounds. The complete detection process firstly involves front end feature extraction where recordings are transformed into spectrograms that convey both spectral and temporal information. Then a back-end deep learning model classifies the features into classes of respiratory disease or anomaly. Experiments, conducted over the ICBHI benchmark dataset of respiratory sounds, evaluate the ability of the framework to classify sounds. Two main contributions are made in this paper. Firstly, we provide an extensive analysis of how factors such as respiratory cycle length, time resolution, and network architecture, affect final prediction accuracy. Secondly, a novel deep learning based framework is proposed for detection of respiratory diseases and shown to perform extremely well compared to state of the art methods.
• Abstract（参考訳）: 本稿では,呼吸音の記録から呼吸器疾患を検出するための,堅牢な深層学習フレームワークを提案する。 完全な検出プロセスは、まず、記録をスペクトル情報と時間情報の両方を伝達するスペクトログラムに変換するフロントエンドの特徴抽出を含む。 次に、バックエンドのディープラーニングモデルは、特徴を呼吸器疾患または異常のクラスに分類する。 呼吸音のicbhiベンチマークデータセットを用いて実施した実験は,音の分類における枠組みの能力を評価する。 本論文では2つの主な貢献を行う。 まず,呼吸サイクル長,時間分解能,ネットワークアーキテクチャなどの要因が最終予測精度にどのように影響するかを広範囲に分析する。 第2に,呼吸器疾患検出のための新しい深層学習基盤フレームワークを提案し,技術手法の状況と比較して極めて良好な性能を示した。

関連論文リスト

• Towards Open Respiratory Acoustic Foundation Models: Pretraining and Benchmarking [27.708473070563013]
  呼吸器オーディオは幅広い医療応用の予測力を持っているが、現在はまだ探索されていない。 OPERA(OPEn Respiratory Acoustic foundation model Pretraining and benchmarking system)を紹介する。
  論文  参考訳（メタデータ） (2024-06-23T16:04:26Z)
• Rene: A Pre-trained Multi-modal Architecture for Auscultation of Respiratory Diseases [5.810320353233697]
  本稿では,呼吸音の認識に適した大規模モデルであるReneを紹介する。 我々の革新的なアプローチは、事前訓練された音声認識モデルを用いて呼吸音を処理している。 我々は,Reneアーキテクチャを用いた実時間呼吸音識別システムを開発した。
  論文  参考訳（メタデータ） (2024-05-13T03:00:28Z)
• Rapid Extraction of Respiratory Waveforms from Photoplethysmography: A Deep Encoder Approach [24.594587557319837]
  呼吸情報の多くは、血流、心拍数、脳卒中量の変化を通じて、光胸腺造影信号に含まれる。 我々は、この事実を、再利用可能な畳み込みオートエンコーダに基づく新しいディープラーニングフレームワークを用いて活用することを目指している。 本モデルでは, 金標準に接近する呼吸波形を生成でき, 同時に, 術中呼吸速度の推定値を生成できることが示されている。
  論文  参考訳（メタデータ） (2022-12-22T13:07:13Z)
• Deep Feature Learning for Medical Acoustics [78.56998585396421]
  本研究の目的は,医療音響の課題における学習内容の比較である。 ヒトの呼吸音と心臓の鼓動を健康的または病態の影響の2つのカテゴリに分類する枠組みが実装されている。
  論文  参考訳（メタデータ） (2022-08-05T10:39:37Z)
• What Makes for Automatic Reconstruction of Pulmonary Segments [50.216231776343115]
  肺の3次元再構成は肺癌の外科的治療計画において重要な役割を担っている。 しかし, 深層学習の時代には, 肺部分の自動再建は行われていない。 肺セグメント再建のための深部暗黙表面モデルImPulSeを提案する。
  論文  参考訳（メタデータ） (2022-07-07T04:24:17Z)
• BronchusNet: Region and Structure Prior Embedded Representation Learning for Bronchus Segmentation and Classification [53.53758990624962]
  そこで我々は,BronchusNetという組込みフレームワークに先立って,正確な気管支分析を行うための領域と構造を提案する。 気管支分画のための適応型ハード領域対応UNetを提案する。 気管支枝の分類には,ハイブリッドな点-ボクセルグラフ学習モジュールを提案する。
  論文  参考訳（メタデータ） (2022-05-14T02:32:33Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Inception-Based Network and Multi-Spectrogram Ensemble Applied For Predicting Respiratory Anomalies and Lung Diseases [16.318395700171624]
  本稿では,呼吸音入力を用いた肺疾患検出のためのインセプションベースディープニューラルネットワークを提案する。 患者から収集された呼吸音の記録はスペクトログラムに変換され、スペクトル情報と時間情報の両方が提示される。 これらのスペクトログラムは、肺関連疾患に罹患する患者を検出するために、バックエンド分類と呼ばれる提案されたネットワークに供給される。
  論文  参考訳（メタデータ） (2020-12-26T08:25:02Z)
• Respiratory Sound Classification Using Long-Short Term Memory [62.997667081978825]
  本稿では,呼吸器疾患の分類に関連して,音の分類を行おうとする際の問題点について検討する。 このようなタスクをどのように実装できるかを特定するために、ディープラーニングと長期短期記憶ネットワークの使用の検討を行う。
  論文  参考訳（メタデータ） (2020-08-06T23:11:57Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)
• CNN-MoE based framework for classification of respiratory anomalies and lung disease detection [33.45087488971683]
  本稿では,聴取分析のための頑健な深層学習フレームワークを提示し,検討する。 呼吸周期の異常を分類し、呼吸音の記録から病気を検出することを目的としている。
  論文  参考訳（メタデータ） (2020-04-04T21:45:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。