論文の概要: Reduced-Lead ECG Classifier Model Trained with DivideMix and Model
Ensemble
- arxiv url: http://arxiv.org/abs/2109.12063v1
- Date: Fri, 24 Sep 2021 16:41:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 17:12:40.042758
- Title: Reduced-Lead ECG Classifier Model Trained with DivideMix and Model
Ensemble
- Title(参考訳): ディバイドミクスとモデルアンサンブルで学習した低レベルECG分類器モデル
- Authors: Hiroshi Seki, Takashi Nakano, Koshiro Ikeda, Shinji Hirooka, Takaaki
Kawasaki, Mitsutomo Yamada, Shumpei Saito, Toshitaka Yamakawa, Shimpei Ogawa
- Abstract要約: 我々は、DivideMixと重み付け(SWA)を組み込んだディープニューラルネットワーク(DNN)ベースのECGモデルを提案する。
DivideMixは、2つの別々のモデルを使用してノイズラベルを洗練するために使用された。
SWAはDivideMixによって生成されたモデルの効果を高めるために使用された。
- 参考スコア(独自算出の注目度): 2.6736079396231807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic diagnosis of multiple cardiac abnormalities from reduced-lead
electrocardiogram (ECG) data is challenging. One of the reasons for this is the
difficulty of defining labels from standard 12-lead data. Reduced-lead ECG data
usually do not have identical characteristics of cardiac abnormalities because
of the noisy label problem. Thus, there is an inconsistency in the annotated
labels between the reduced-lead and 12-lead ECG data. To solve this, we propose
deep neural network (DNN)-based ECG classifier models that incorporate
DivideMix and stochastic weight averaging (SWA). DivideMix was used to refine
the noisy label by using two separate models. Besides DivideMix, we used a
model ensemble technique, SWA, which also focuses on the noisy label problem,
to enhance the effect of the models generated by DivideMix. Our classifiers
(ami_kagoshima) received scores of 0.49, 0.47, 0.48, 0.47, and 0.47 (ranked
9th, 10th, 10th, 11th, and 10th, respectively, out of 39 teams) for the
12-lead, 6-lead, 4-lead, 3-lead, and 2-lead versions, respectively, of the
hidden test set with the challenge evaluation metric. We obtained the scores of
0.701, 0.686, 0.693, 0.693, and 0.685 on the 10-fold cross validation, and
0.623, 0.593, 0.606, 0.612, and 0.601 on the hidden validation set for each
lead combination.
- Abstract(参考訳): 心電図(ECG)データによる多発性心疾患の自動診断は困難である。
この理由の1つは、標準の12リードデータからラベルを定義するのが難しいことである。
狭心症心電図データは通常、ノイズラベル問題のため、心臓異常の同一の特徴を持っていない。
したがって、縮小リードデータと12リードecgデータとの間には、注釈付きラベルに矛盾がある。
そこで本研究では,dnn(deep neural network)ベースのecg分類モデルを提案し,swa(sdmix and stochastic weight averaging)を用いた。
dividemixは2つの異なるモデルを用いてノイズラベルを洗練するために使用された。
DivideMix以外にも、ノイズラベル問題にも焦点をあてたモデルアンサンブル手法であるSWAを用いて、DivideMixが生成したモデルの効果を高めた。
課題評価基準付き隠れテストセットの0.49,0.47,0.48,0.47,0.47(それぞれ39チーム中9位,10位,10位,11位,10位)を12リー,6リー,4リー,3リード,2リードの2リードで評価した。
10倍のクロス検証では0.701,0.686,0.693,0.693,0.685,リード組み合わせでは0.623,0.593,0.606,0.612,0.601を得た。
関連論文リスト
- Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - A Mixed-Domain Self-Attention Network for Multilabel Cardiac
Irregularity Classification Using Reduced-Lead Electrocardiogram [10.351641831500924]
本研究は,心電図から心臓の異常を同定するためのMDAR(Mixed-Domain Self-Attention Resnet)を提案する。
分類器は,12葉,6葉,4葉,3葉,2葉の隠れ検証セットに対して0.602,0.593,0.597,0.591,0.589のスコアを得た。
論文 参考訳(メタデータ) (2022-04-29T07:35:08Z) - Arrhythmia Classification using CGAN-augmented ECG Signals [8.819736346681463]
GAN(Generative Adrial Networks)は、リアルな合成ECG信号を生成するために使用される。
本研究では,データ拡張が不整脈分類に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2022-01-26T17:41:57Z) - Analysis of an adaptive lead weighted ResNet for multiclass
classification of 12-lead ECGs [1.155818089388109]
12個の心電図から24個の心の異常を分類するために,アンサンブル深部ニューラルネットワークアーキテクチャを記述,解析した。
5倍のクロスバリデーションスコアが0.684, 感度と特異性は0.758, 0.969であった。
論文 参考訳(メタデータ) (2021-12-01T15:44:52Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - 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) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳(メタデータ) (2020-10-21T18:11:36Z) - Interpretable Deep Learning for Automatic Diagnosis of 12-lead
Electrocardiogram [15.464768773761527]
12誘導心電図記録における心不整脈のマルチラベル分類のためのディープニューラルネットワークを開発した。
提案モデルでは、受信機動作特性曲線(AUC)0.970、F1スコア0.813の平均領域を達成した。
最も優れたリードは、12のリードのうち、リードI、aVR、V5である。
論文 参考訳(メタデータ) (2020-10-20T14:51:00Z) - 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) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳(メタデータ) (2020-02-12T00:59:23Z)
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。