論文の概要: The Diagnosis of Asthma using Hilbert-Huang Transform and Deep Learning
on Lung Sounds
- arxiv url: http://arxiv.org/abs/2101.08288v1
- Date: Wed, 20 Jan 2021 19:04:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 03:50:45.561655
- Title: The Diagnosis of Asthma using Hilbert-Huang Transform and Deep Learning
on Lung Sounds
- Title(参考訳): hilbert-huang変換を用いた気管支喘息の診断と肺音の深層学習
- Authors: G\"okhan Altan, Yakup Kutlu, Adnan \"Ozhan Pekmezci, Serkan Nural
- Abstract要約: ヒルベルト変換を肺音に適用することにより抽出される固有モード関数から統計的特徴を算出した。
喘息および健常者からの肺音の分類はDeep Belief Networks(DBN)を用いて行われる。
- 参考スコア(独自算出の注目度): 2.294014185517203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lung auscultation is the most effective and indispensable method for
diagnosing various respiratory disorders by using the sounds from the airways
during inspirium and exhalation using a stethoscope. In this study, the
statistical features are calculated from intrinsic mode functions that are
extracted by applying the HilbertHuang Transform to the lung sounds from 12
different auscultation regions on the chest and back. The classification of the
lung sounds from asthma and healthy subjects is performed using Deep Belief
Networks (DBN). The DBN classifier model with two hidden layers has been tested
using 5-fold cross validation method. The proposed DBN separated lung sounds
from asthmatic and healthy subjects with high classification performance rates
of 84.61%, 85.83%, and 77.11% for overall accuracy, sensitivity, and
selectivity, respectively using frequencytime analysis.
- Abstract(参考訳): 肺吸入時の気道からの音と聴診器による呼気を用いて様々な呼吸障害を診断するための最も効果的かつ必要不可欠な方法である。
本研究では,Hilbert Huang Transformを胸部および背部の12種類の聴診領域から肺音に適用することにより抽出した内在モード関数から統計的特徴を算出した。
喘息および健常者からの肺音の分類はDeep Belief Networks (DBN)を用いて行う。
2つの隠蔽層を持つDBN分類器モデルを5倍のクロスバリデーション法を用いて検証した。
提案したDBNは, 総精度, 感度, 選択性について, 高分類率84.61%, 85.83%, 77.11%の喘息患者と健常者とをそれぞれ周波数時間分析により分離した。
- 全文 参考訳へのリンク
関連論文リスト
- 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) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Improved Breath Phase and Continuous Adventitious Sound Detection in
Lung and Tracheal Sound Using Mixed Set Training and Domain Adaptation [2.405718960148456]
気管音響データベースHF_Tracheal_V1を構築し、15秒間の気管音響記録の11107、吸入ラベル23087、吸入ラベル16728、吸入ラベル6874、CASラベル6874を含む。
HF_Tracheal_V1の気管音とHF_Lung_V2の肺音を組み合わせるか、単独でCNN-BiGRUモデルを訓練し、気管音響解析を行った。
論文 参考訳(メタデータ) (2021-07-09T06:04:18Z) - 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) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳(メタデータ) (2021-05-11T17:10:25Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳(メタデータ) (2021-05-06T10:21:28Z) - Automated Estimation of Total Lung Volume using Chest Radiographs and
Deep Learning [4.874501619350224]
総肺量は重要な定量的バイオマーカーであり、制限肺疾患の評価に使用されます。
このデータセットは、胸部X線写真から肺総量を予測するディープラーニングアーキテクチャのトレーニングに使用された。
今回我々は,最先端のディープラーニングソリューションが胸部x線写真から肺総量を正確に測定できることを初めて実証した。
論文 参考訳(メタデータ) (2021-05-03T21:35:16Z) - Benchmarking of eight recurrent neural network variants for breath phase
and adventitious sound detection on a self-developed open-access lung sound
database-HF_Lung_V1 [0.35775620736088914]
頑健なコンピュータ化された呼吸音解析アルゴリズムは、まだ実用化には至っていない。
我々は,9,765個の肺音の音声ファイルからなる肺音データベース(HF_Lung_V1)を開発した。
その結果,これらのモデルは肺の音像解析において十分な性能を示した。
論文 参考訳(メタデータ) (2021-02-05T08:21:28Z) - Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural
Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。
最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文 参考訳(メタデータ) (2020-12-29T01:14:17Z) - 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)
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。