論文の概要: The CirCor DigiScope Dataset: From Murmur Detection to Murmur Classification

• arxiv url: http://arxiv.org/abs/2108.00813v1
• Date: Mon, 2 Aug 2021 12:30:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 14:58:09.645209
• Title: The CirCor DigiScope Dataset: From Murmur Detection to Murmur Classification
• Title（参考訳）: CirCor DigiScope データセット:Murmur 検出からMurmur 分類へ
• Authors: Jorge Oliveira, Francesco Renna, Paulo Dias Costa, Marcelo Nogueira, Cristina Oliveira, Carlos Ferreira, Alipio Jorge, Sandra Mattos, Thamine Hatem, Thiago Tavares, Andoni Elola, Ali Bahrami Rad, Reza Sameni, Gari D Clifford, Miguel T. Coimbra
• Abstract要約: 1568人の患者の4つの主要な聴診所から計5282の録音が収集された。 それぞれの心室は、そのタイミング、形状、ピッチ、格付け、品質に応じて、専門家アノテータによって手動で注釈付けされている。
• 参考スコア（独自算出の注目度）: 5.879085008496386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac auscultation is one of the most cost-effective techniques used to detect and identify many heart conditions. Computer-assisted decision systems based on auscultation can support physicians in their decisions. Unfortunately, the application of such systems in clinical trials is still minimal since most of them only aim to detect the presence of extra or abnormal waves in the phonocardiogram signal. This is mainly due to the lack of large publicly available datasets, where a more detailed description of such abnormal waves (e.g., cardiac murmurs) exists. As a result, current machine learning algorithms are unable to classify such waves. To pave the way to more effective research on healthcare recommendation systems based on auscultation, our team has prepared the currently largest pediatric heart sound dataset. A total of 5282 recordings have been collected from the four main auscultation locations of 1568 patients, in the process 215780 heart sounds have been manually annotated. Furthermore, and for the first time, each cardiac murmur has been manually annotated by an expert annotator according to its timing, shape, pitch, grading and quality. In addition, the auscultation locations where the murmur is present were identified as well as the auscultation location where the murmur is detected more intensively.
• Abstract（参考訳）: 心臓の聴診は、多くの心臓疾患の検出と同定に最も費用対効果の高いテクニックの1つである。 聴診に基づくコンピュータ支援意思決定システムは、医師の意思決定を支援することができる。 残念なことに、これらのシステムの臨床試験での応用は、ほとんどが心電図信号の余剰または異常な波の存在を検出することだけを目的としているため、まだ最小限である。 これは主に、そのような異常な波(例えば心臓の大腿骨)のより詳細な記述が存在しない大規模な公開データセットがないためである。 その結果、現在の機械学習アルゴリズムはそのような波を分類できない。 聴診に基づく医療レコメンデーションシステムに関するより効果的な研究の道を開くため、我々のチームは現在最大の小児心音データセットを作成しました。 1568人の4つの主要な聴診所から計5282の録音が収集され、215780の心臓の音が手動で注釈付けされている。 さらに, 各心室は, そのタイミング, 形状, ピッチ, 格付け, 品質に応じて, 専門家アノテータによって手動で注釈付けされている。 また, 大腿骨の存在部位と, 大腿骨がより集中的に検出されるオースカルテーション位置が同定された。

関連論文リスト

• Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope [3.956979400783713]
  心臓と肺の音は、医療監視に不可欠です。 近年の聴診器技術の進歩により、患者の音を精度良く捉えられるようになった。 私たちの知る限りでは、このデータセットは心呼吸音と混合呼吸音の両方を提供する最初のデータセットです。
  論文  参考訳（メタデータ） (2024-10-04T09:53:16Z)
• Sequence-aware Pre-training for Echocardiography Probe Guidance [66.35766658717205]
  心臓超音波は、(1)心臓の本質的に複雑な構造、(2)重要な個人差の2つの大きな課題に直面している。 これまでの研究は、心臓のパーソナライズされた構造的特徴よりも、心臓の2Dおよび3Dの人口平均構造についてしか学ばなかった。 パーソナライズされた2次元と3次元の心構造特徴を学習するためのシーケンス認識型自己教師付き事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• Cardiac Copilot: Automatic Probe Guidance for Echocardiography with World Model [66.35766658717205]
  心臓の複雑な構造と重要な手術上の課題のため、経験豊富なソノグラフィーが不足している。 本稿では,リアルタイムなプローブ移動誘導が可能なCardiac Copilotシステムを提案する。 中心となるイノベーションは、心臓の空間構造を表現するためのデータ駆動の世界モデル、Cardiac Dreamerの提案である。 実世界の超音波データとそれに対応するプローブの動きを,3人のソノグラフィーによる151Kサンプル対を用いた110の定期的な臨床スキャンからトレーニングする。
  論文  参考訳（メタデータ） (2024-06-19T02:42:29Z)
• A Comprehensive Survey on Heart Sound Analysis in the Deep Learning Era [54.53921568420471]
  心血管疾患の早期スクリーニングにおける臨床応用として, 心臓音聴診が有用である。 ディープラーニングは多くの研究分野で古典的な機械学習よりも優れています。
  論文  参考訳（メタデータ） (2023-01-23T10:58:45Z)
• A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
  本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。 各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
  論文  参考訳（メタデータ） (2022-08-29T05:01:04Z)
• Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
  本研究では,新しいセグメンテーションフリー心音分類法を提案する。 具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。 サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
  論文  参考訳（メタデータ） (2021-08-09T16:09:30Z)
• Predicting post-operative right ventricular failure using video-based deep learning [9.884447146588542]
  術前心エコー検査から得られた全情報密度を用いて,術前右室障害(RV障害)を予測できる映像AIシステムの開発を行った。 0.729の時空、80%の感度で52%の特異度、80%の特異度で感度を達成する。 さらに,我々のMLシステムは,独立臨床評価におけるRV障害の予測に携わる人間専門家のチームよりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-02-28T00:58:53Z)
• Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
  本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。 第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。 第2段階は、心拍を幅または幅に分類する分類NNである。 第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
  論文  参考訳（メタデータ） (2020-11-17T16:15:49Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• A Robust Interpretable Deep Learning Classifier for Heart Anomaly Detection Without Segmentation [37.70077538403524]
  心音分類の先行段階として, 心音分節の重要性を論じる。 次に,心臓の異常音検出のための頑健な分類器を提案する。 我々の新しい分類器はまた、広く使われているPhyloNetデータセットでほぼ100%の精度で、堅牢で安定しており、最も重要な説明が可能であることも示されています。
  論文  参考訳（メタデータ） (2020-05-21T06:36:28Z)

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。