論文の概要: Detection of preventable fetal distress during labor from scanned
cardiotocogram tracings using deep learning
- arxiv url: http://arxiv.org/abs/2106.00628v1
- Date: Tue, 1 Jun 2021 16:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 14:04:08.906729
- Title: Detection of preventable fetal distress during labor from scanned
cardiotocogram tracings using deep learning
- Title（参考訳）: 深層学習を用いた走査型心電図追跡による運動時の胎児障害の検出
- Authors: Martin G. Frasch, Shadrian B. Strong, David Nilosek, Joshua Leaverton,
Barry S. Schifrin
- Abstract要約: 労働・納入における広範な適用にもかかわらず、電子胎児モニタリング(EFM)の価値についてかなりの議論が続いている。
EFMは胎児の心拍数(FHR)パターンを母性子宮収縮とともに監視する。
本研究は、先天的または過去の胎児傷害の訓練および検出のためのディープラーニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Despite broad application during labor and delivery, there remains
considerable debate about the value of electronic fetal monitoring (EFM). EFM
includes the surveillance of the fetal heart rate (FHR) patterns in conjunction
with the maternal uterine contractions providing a wealth of data about fetal
behavior and the threat of diminished oxygenation and perfusion. Adverse
outcomes universally associate a fetal injury with the failure to timely
respond to FHR pattern information. Historically, the EFM data, stored
digitally, are available only as rasterized pdf images for contemporary or
historical discussion and examination. In reality, however, they are rarely
reviewed systematically. Using a unique archive of EFM collected over 50 years
of practice in conjunction with adverse outcomes, we present a deep learning
framework for training and detection of incipient or past fetal injury. We
report 94% accuracy in identifying early, preventable fetal injury intrapartum.
This framework is suited for automating an early warning and decision support
system for maintaining fetal well-being during the stresses of labor.
Ultimately, such a system could enable a physician to timely respond during
labor and prevent adverse outcomes. When adverse outcomes cannot be avoided,
they can provide guidance to the early neuroprotective treatment of the
newborn.
- Abstract（参考訳）: 労働・配送の分野で広く応用されているにもかかわらず、電子胎児モニタリング(EFM)の価値についてかなりの議論が続いている。
EFMには胎児の心拍数(FHR)パターンの監視と、胎児の行動に関する豊富なデータと、酸素化と灌流の脅威を提供する母体の子宮収縮が含まれる。
fhrパターン情報にタイムリーに応答できない場合、胎児の損傷を普遍的に関連づける副作用。
歴史的に、デジタルに保存されたEMMデータは、現代的または歴史的議論と検査のためのラスタライズされたpdf画像としてのみ利用可能である。
しかし実際には、体系的にレビューされることはめったにない。
本研究は,50年以上にわたって収集したEMFの独自のアーカイブを用いて,早期ないし過去の胎児外傷の訓練および検出のための深層学習フレームワークを提案する。
早期の予防的胎児外傷の診断精度は94%であった。
この枠組みは、胎児の健康維持のための早期の警告および意思決定支援システムの自動化に適している。
最終的には、そのようなシステムは、医師が労働中にタイムリーに反応し、有害な結果を防ぐことができる。
副作用が回避できない場合、新生児の早期神経保護治療へのガイダンスを提供することができる。
関連論文リスト
- Multi-Center Study on Deep Learning-Assisted Detection and Classification of Fetal Central Nervous System Anomalies Using Ultrasound Imaging [11.261565838608488]
出生前超音波は胎児の成長を評価し、妊娠中に先天性異常を検出する。
深層学習モデルを構築し,胎児頭蓋異常の診断の総合的精度を向上させる。
論文 参考訳（メタデータ） (2025-01-01T07:56:26Z) - Using Explainable AI for EEG-based Reduced Montage Neonatal Seizure Detection [2.206534289238751]
新生児発作検出のゴールドスタンダードは、現在連続したビデオEEGモニタリングに依存している。
脳波モンタージュを低減した新生児発作検出プロセスを自動化するための新しい説明可能な深層学習モデルを提案する。
提案したモデルは、それぞれ曲線下面積(AUC)とリコールにおける8.31%と42.86%の絶対的な改善を達成している。
論文 参考訳（メタデータ） (2024-06-04T10:53:56Z) - Deep Learning with Information Fusion and Model Interpretation for
Health Monitoring of Fetus based on Long-term Prenatal Electronic Fetal Heart
Rate Monitoring Data [24.955121216437963]
本研究では,連続FHRモニタリングのためのLARA(Long-term Antepartum Risk Analysis System)という自動分析システムを開発した。
LARAのコアは、確立された畳み込みニューラルネットワーク(CNN)モデルである。長期FHRデータを入力として処理し、分析結果としてリスク分散マップ(RDM)とリスク指標(RI)を生成する。
論文 参考訳（メタデータ） (2024-01-27T07:59:54Z) - Exploring the Utility of Self-Supervised Pretraining Strategies for the
Detection of Absent Lung Sliding in M-Mode Lung Ultrasound [72.39040113126462]
セルフ教師付きプレトレーニングは、医用画像における教師付き学習タスクのパフォーマンスを向上させるために観察されている。
本研究は,Mモード肺超音波画像における肺スライディング分類の下流タスクの微調整を指導する前,自己指導型プレトレーニングの有用性について検討した。
論文 参考訳（メタデータ） (2023-04-05T20:01:59Z) - Predicting Adverse Neonatal Outcomes for Preterm Neonates with
Multi-Task Learning [51.487856868285995]
われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。
特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
論文 参考訳（メタデータ） (2023-03-28T00:44:06Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
impured training data [53.122045119395594]
トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。
AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
論文 参考訳（メタデータ） (2022-04-12T13:05:18Z) - Assessment of Fetal and Maternal Well-Being During Pregnancy Using
Passive Wearable Inertial Sensor [0.0]
本稿では,母親自身が最小限の監督で効果的に活用できる装置に焦点を当てる。
提案された装置は、母親の子宮の上に1つの加速度計を備えたベルトを使用して、必要な情報を記録している。
論文 参考訳（メタデータ） (2021-11-19T06:53:39Z) - FetalNet: Multi-task deep learning framework for fetal ultrasound
biometric measurements [11.364211664829567]
本稿では,FetalNetと呼ばれるマルチタスク・ニューラルネットワークについて,胎児超音波スキャン画像解析のためのアテンション機構とスタックモジュールを提案する。
胎児超音波画像解析の主な目的は、胎児の頭部、腹部、大腿骨を測定するための適切な基準面を見つけることである。
FetalNetという手法は,胎児超音波ビデオ記録における分類とセグメント化の両面で,既存の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2021-07-14T19:13:33Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
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。