論文の概要: A Profile-Based Binary Feature Extraction Method Using Frequent Itemsets
for Improving Coronary Artery Disease Diagnosis
- arxiv url: http://arxiv.org/abs/2109.10966v1
- Date: Wed, 22 Sep 2021 18:33:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 14:57:13.444341
- Title: A Profile-Based Binary Feature Extraction Method Using Frequent Itemsets
for Improving Coronary Artery Disease Diagnosis
- Title（参考訳）: 冠状動脈疾患診断改善のための頻繁な項目セットを用いたプロファイルベースバイナリ特徴抽出法
- Authors: Ali Yavari, Amir Rajabzadeh, Fardin Abdali-Mohammadi
- Abstract要約: 本稿では、プロファイルベースバイナリ特徴抽出(PBBFE)と呼ばれる新しい特徴抽出手法を用いたCAD診断手法を提案する。
数値的な特徴を分割した後、Aprioriアルゴリズムにより頻繁な項目集合を抽出し、CAD診断精度を高めるために特徴として使用する。
提案手法はCAD分野において最もリッチなデータベースであるZ-Alizadeh Saniデータセット上で検証された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have seen growing interest in the diagnosis of Coronary Artery
Disease (CAD) with machine learning methods to reduce the cost and health
implications of conventional diagnosis. This paper introduces a CAD diagnosis
method with a novel feature extraction technique called the Profile-Based
Binary Feature Extraction (PBBFE). In this method, after partitioning numerical
features, frequent itemsets are extracted by the Apriori algorithm and then
used as features to increase the CAD diagnosis accuracy. The proposed method
consists of two main phases. In the first phase, each patient is assigned a
profile based on age, gender, and medical condition, and then all numerical
features are discretized based on assigned profiles. All features then undergo
a binarization process to become ready for feature extraction by Apriori. In
the last step of this phase, frequent itemsets are extracted from the dataset
by Apriori and used to build a new dataset. In the second phase, the Genetic
Algorithm and the Support Vector Machine are used to identify the best subset
of extracted features for classification. The proposed method was tested on the
Z-Alizadeh Sani dataset, which is one the richest databases in the field of
CAD. Performance comparisons conducted on this dataset showed that the proposed
method outperforms all major alternative methods with 98.35% accuracy, 100%
sensitivity, and 94.25% specificity. The proposed method also achieved the
highest accuracy on several other datasets.
- Abstract（参考訳）: 近年、冠動脈疾患(cad)の診断において、従来の診断のコストと健康的影響を低減できる機械学習法が注目されている。
本稿では,プロファイルベースバイナリ特徴抽出(PBBFE)と呼ばれる新しい特徴抽出手法を用いたCAD診断手法を提案する。
本手法では,数値特徴を分割した後,aprioriアルゴリズムにより頻繁な項目集合を抽出し,cad診断精度を向上させる特徴として用いる。
提案手法は2つの主相からなる。
第1フェーズでは、各患者は年齢、性別、医療状況に基づいてプロファイルを割り当て、その後、割り当てられたプロファイルに基づいてすべての数値特徴を識別する。
すべての機能はバイナリ化プロセスを経て、aprioriによる機能抽出の準備が整った。
このフェーズの最後のステップでは、頻繁なアイテムセットがAprioriによってデータセットから抽出され、新しいデータセットの構築に使用される。
第2フェーズでは、遺伝的アルゴリズムとサポートベクトルマシンを使用して、抽出された特徴の最良のサブセットを分類する。
提案手法はCAD分野において最もリッチなデータベースであるZ-Alizadeh Saniデータセット上で検証された。
このデータセットで行った性能比較の結果、提案手法は98.35%の精度、100%の感度、94.25%の特異性で全ての主要な代替手法より優れていた。
提案手法は,他のいくつかのデータセットの精度も高い。
関連論文リスト
- Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。
本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
論文 参考訳（メタデータ） (2024-07-19T19:07:53Z) - An Explainable Deep Learning-Based Method For Schizophrenia Diagnosis Using Generative Data-Augmentation [0.3222802562733786]
脳波記録を用いた統合失調症の自動診断にディープラーニングを用いた手法を応用した。
このアプローチは、診断の精度を高める強力な手法である生成データ拡張を利用する。
論文 参考訳（メタデータ） (2023-10-25T12:55:16Z) - A Dataset for Deep Learning-based Bone Structure Analyses in Total Hip
Arthroplasty [8.604089365903029]
全股関節解剖(THA)は整形外科において広く用いられている外科手術である。
ディープラーニング技術は有望だが、学習には高品質なラベル付きデータが必要である。
ディープラーニング指向のデータセットを生成するための効率的なデータアノテーションパイプラインを提案する。
論文 参考訳（メタデータ） (2023-06-07T16:28:53Z) - 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) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - 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) - Identifying Stroke Indicators Using Rough Sets [0.7340017786387767]
そこで本研究では,脳卒中検出における各種EMHレコードの重要性をランキングする手法を提案する。
年齢, 平均血糖値, 心疾患, 高血圧が脳卒中検出の最も重要な要因であった。
論文 参考訳（メタデータ） (2021-10-19T06:04:48Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - Curvature-based Feature Selection with Application in Classifying
Electronic Health Records [13.427883408828642]
より正確な診断を支援するための効率的な曲率に基づく特徴選択法を提案する。
4つのベンチマークヘルスケアデータセットで最新のパフォーマンスを実現します。
論文 参考訳（メタデータ） (2021-01-10T16:55:40Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。