論文の概要: Learning Higher-Order Dynamics in Video-Based Cardiac Measurement
- arxiv url: http://arxiv.org/abs/2110.03690v1
- Date: Thu, 7 Oct 2021 16:29:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 14:36:12.824772
- Title: Learning Higher-Order Dynamics in Video-Based Cardiac Measurement
- Title(参考訳): ビデオ心臓計測における高次ダイナミクスの学習
- Authors: Brian L. Hill, Xin Liu, Daniel McDuff
- Abstract要約: 心パルスにおいて、第2誘導体は血圧および動脈疾患の指標として用いることができる。
近年, カメラを用いたバイタルサイン測定の進歩により, 心電図の精度が向上し, 心電図の精度が向上した。
損失関数に明示的に最適化した場合、高次ダイナミクスがニューラルネットワークによりより良く推定されることを示す。
- 参考スコア(独自算出の注目度): 5.571184025017747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer vision methods typically optimize for first-order dynamics (e.g.,
optical flow). However, in many cases the properties of interest are subtle
variations in higher-order changes, such as acceleration. This is true in the
cardiac pulse, where the second derivative can be used as an indicator of blood
pressure and arterial disease. Recent developments in camera-based vital sign
measurement have shown that cardiac measurements can be recovered with
impressive accuracy from videos; however, the majority of research has focused
on extracting summary statistics such as heart rate. Less emphasis has been put
on the accuracy of waveform morphology that is necessary for many clinically
impactful scenarios. In this work, we provide evidence that higher-order
dynamics are better estimated by neural models when explicitly optimized for in
the loss function. Furthermore, adding second-derivative inputs also improves
performance when estimating second-order dynamics. By incorporating the second
derivative of both the input frames and the target vital sign signals into the
training procedure, our model is better able to estimate left ventricle
ejection time (LVET) intervals.
- Abstract(参考訳): コンピュータビジョンの手法は通常1次ダイナミクス(例えば光フロー)に最適化される。
しかし、多くの場合、興味のある性質は加速のような高次変化の微妙な変化である。
これは、第2の誘導体が血圧と動脈疾患の指標として使用できる心臓パルスにおいて正しい。
近年、カメラを用いたバイタルサイン測定の進歩により、ビデオから心臓計測を驚くほど精度良く回収できることが示されているが、研究の大半は、心拍数などの要約統計の抽出に重点を置いている。
多くの臨床的に影響のあるシナリオで必要とされる波形形態学の精度にはあまり重点を置いていない。
本研究では,損失関数に明示的に最適化した場合,高次ダイナミクスがニューラルモデルによりよりよく推定されることを示す。
さらに、第2導出入力を追加することで、第2次ダイナミクスの推定性能も向上する。
入力フレームとターゲットのバイタルサイン信号の両方の2次微分をトレーニング手順に組み込むことで,左室放出時間(LVET)間隔を推定できる。
関連論文リスト
- Semantic-aware Temporal Channel-wise Attention for Cardiac Function
Assessment [69.02116920364311]
既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。
本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。
提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
論文 参考訳(メタデータ) (2023-10-09T05:57:01Z) - DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler
Signal [48.97719097435527]
DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。
動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
論文 参考訳(メタデータ) (2023-05-15T18:19:29Z) - Machine Learning-based Signal Quality Assessment for Cardiac Volume
Monitoring in Electrical Impedance Tomography [0.8541111605978491]
臨床応用では、心臓の容積シグナルは、主に臨床介入中の患者の意図的な動きや避けられない動きのために、品質が低いことが多い。
本研究の目的は、運動人工物が一過性の心臓容積信号に与える影響を評価するための信号品質指標を作成することである。
提案手法は,臨床医が患者の症状に関する混乱を最小限に抑えるために,即時警告を提供するのに有効である。
論文 参考訳(メタデータ) (2023-01-04T07:13:21Z) - Generative Myocardial Motion Tracking via Latent Space Exploration with
Biomechanics-informed Prior [16.129107206314043]
心筋運動と変形は、心臓機能を特徴づける豊富な記述子である。
画像登録は、心筋運動追跡において最も一般的に用いられる手法であり、不適切な逆問題である。
本稿では,アプリケーション固有のバイオメカニクスを前もって暗黙的に学習する手法を提案する。
論文 参考訳(メタデータ) (2022-06-08T12:02:00Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - Anatomy-Aware Cardiac Motion Estimation [11.680533842892107]
心筋機能追跡は、シネMRIから直接心臓の動きを推定することができる。
現在の深層学習に基づくFT法は非現実的な心筋形状をもたらす可能性がある。
心臓運動推定のための新しいアナトミー・アウェア・トラッカー (AATracker) を提案する。
論文 参考訳(メタデータ) (2020-08-17T19:14:32Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳(メタデータ) (2020-06-28T21:03:19Z) - Wave Propagation of Visual Stimuli in Focus of Attention [77.4747032928547]
周囲の視覚環境の変化に対する迅速な反応は、計算資源を視覚領域の最も関連する場所に再配置する効率的な注意機構を必要とする。
本研究は, 営巣動物が提示する有効性と効率性を示す, 生物学的に有望な注目焦点モデルを提案する。
論文 参考訳(メタデータ) (2020-06-19T09:33:21Z) - Optimised Convolutional Neural Networks for Heart Rate Estimation and
Human Activity Recognition in Wrist Worn Sensing Applications [3.8137985834223507]
低サンプリングレートで心拍数と人的活動認識を同時に行う。
これにより、ハードウェア設計が簡単になり、コストと電力予算が削減される。
深層学習パイプラインを2つ適用し,1つは人間の活動認識用であり,1つは心拍数推定用である。
論文 参考訳(メタデータ) (2020-03-30T11:44:58Z) - Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。
この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文 参考訳(メタデータ) (2020-01-14T22:55:03Z)
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。