論文の概要: Heart Sound Segmentation using Bidirectional LSTMs with Attention
- arxiv url: http://arxiv.org/abs/2004.03712v1
- Date: Thu, 2 Apr 2020 02:09:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 10:13:07.679221
- Title: Heart Sound Segmentation using Bidirectional LSTMs with Attention
- Title（参考訳）: 双方向LSTMを用いた心音分離
- Authors: Tharindu Fernando, Houman Ghaemmaghami, Simon Denman, Sridha
Sridharan, Nayyar Hussain, Clinton Fookes
- Abstract要約: 心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。
我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。
提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
- 参考スコア（独自算出の注目度）: 37.62160903348547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a novel framework for the segmentation of phonocardiogram
(PCG) signals into heart states, exploiting the temporal evolution of the PCG
as well as considering the salient information that it provides for the
detection of the heart state. We propose the use of recurrent neural networks
and exploit recent advancements in attention based learning to segment the PCG
signal. This allows the network to identify the most salient aspects of the
signal and disregard uninformative information. The proposed method attains
state-of-the-art performance on multiple benchmarks including both human and
animal heart recordings. Furthermore, we empirically analyse different feature
combinations including envelop features, wavelet and Mel Frequency Cepstral
Coefficients (MFCC), and provide quantitative measurements that explore the
importance of different features in the proposed approach. We demonstrate that
a recurrent neural network coupled with attention mechanisms can effectively
learn from irregular and noisy PCG recordings. Our analysis of different
feature combinations shows that MFCC features and their derivatives offer the
best performance compared to classical wavelet and envelop features. Heart
sound segmentation is a crucial pre-processing step for many diagnostic
applications. The proposed method provides a cost effective alternative to
labour extensive manual segmentation, and provides a more accurate segmentation
than existing methods. As such, it can improve the performance of further
analysis including the detection of murmurs and ejection clicks. The proposed
method is also applicable for detection and segmentation of other one
dimensional biomedical signals.
- Abstract（参考訳）: 本報告では,PCGの経時的変化を生かした心電図信号の心臓状態へのセグメンテーションのための新しい枠組みを提案する。
本稿では,リカレントニューラルネットワークの利用を提案し,近年の注意に基づく学習の進歩を活かし,pcg信号のセグメント化を行う。
これにより、ネットワークは信号の最も有意義な側面を識別し、意図しない情報を無視することができる。
提案手法は,ヒトおよび動物の心記録を含む複数のベンチマークにおいて最先端のパフォーマンスを実現する。
さらに,包み込み特徴,ウェーブレット,メル周波数ケプストラル係数 (MFCC) などの異なる特徴の組み合わせを実験的に分析し,提案手法における特徴の重要性を定量的に検討する。
注意機構を結合したリカレントニューラルネットワークが,不規則記録やノイズ記録から効果的に学習できることを実証する。
異なる特徴の組み合わせを解析したところ、MFCCの特徴とその派生品は、古典的なウェーブレットや包み込み機能と比較して最高の性能を提供することがわかった。
心臓音のセグメンテーションは多くの診断アプリケーションにとって重要な前処理ステップである。
提案手法は, 省力的な手作業セグメント化に代わるコスト効率の高い代替手法であり, 従来の手法よりも高精度なセグメント化を提供する。
これにより、大腿骨の検知や射出クリックなどのさらなる解析性能を向上させることができる。
提案手法は,他の1次元バイオメディカル信号の検出とセグメンテーションにも応用できる。
関連論文リスト
- Motion-enhancement to Echocardiography Segmentation via Inserting a Temporal Attention Module: An Efficient, Adaptable, and Scalable Approach [4.923733944174007]
本稿では,時間的アテンションモジュールが複数回の特徴的相互作用を抽出する,新しい計算効率の代替手法を提案する。
このモジュールは、既存のCNNやTransformerベースのネットワークにシームレスに統合できる。
この結果から,TAMの堅牢性,スケーラビリティ,多種多様なデータセットとバックボーン間の一般化性が確認された。
論文 参考訳（メタデータ） (2025-01-24T21:35:24Z) - Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [2.7699831151653305]
本稿では,診療所における低コストシステムを用いた心疾患の迅速かつ効率的な診断方法を提案する。
LSCNネットワークによる心臓音の総合的分類精度は96%以上である。
論文 参考訳（メタデータ） (2024-07-15T13:02:54Z) - Hierarchical SegNet with Channel and Context Attention for Accurate Lung Segmentation in Chest X-ray Images [0.40964539027092917]
胸部X線像における肺セグメンテーションは、様々な肺疾患の正確な診断と治療を可能にする医療画像解析において重要な課題である。
本稿では,階層型セグネットとマルチモーダルアテンション機構を組み合わせた肺セグメンテーション手法を提案する。
実験により,本手法は肺分画作業における最先端性能を達成し,既存手法より優れていたことを示す。
論文 参考訳（メタデータ） (2024-05-20T18:29:41Z) - Refining Myocardial Infarction Detection: A Novel Multi-Modal Composite Kernel Strategy in One-Class Classification [14.469786240272365]
心筋梗塞(MI)の早期発見は、さらなる損傷を防ぐために不可欠である。
本研究では,心エコー法における一クラス分類法(OCC)を用いた早期MI検出法を提案する。
今回提案したマルチビュー・アプローチは71.24%の幾何学的平均値を達成し,心エコー図に基づくMI診断の大幅な進歩を示唆している。
論文 参考訳（メタデータ） (2024-02-09T16:41:50Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳（メタデータ） (2021-06-03T14:09:04Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - ADRN: Attention-based Deep Residual Network for Hyperspectral Image
Denoising [52.01041506447195]
ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。
実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-04T08:36:27Z)
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。