論文の概要: FCM-DNN: diagnosing coronary artery disease by deep accuracy Fuzzy C-Means clustering model

• arxiv url: http://arxiv.org/abs/2202.04645v1
• Date: Wed, 9 Feb 2022 06:41:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-13 12:30:00.848960
• Title: FCM-DNN: diagnosing coronary artery disease by deep accuracy Fuzzy C-Means clustering model
• Title（参考訳）: FCM-DNN : Fuzzy C-Means clustering modelによる冠動脈疾患の診断
• Authors: Javad Hassannataj Joloudari, Hamid Saadatfar, Mohammad GhasemiGol, Roohallah Alizadehsani, Zahra Alizadeh Sani, Fereshteh Hasanzadeh, Edris Hassannataj, Danial Sharifrazi, Zulkefli Mansor
• Abstract要約: 提案したFCM-DNNモデルは99.91%の精度で10個のクラスタ、すなわち健康な被験者に5個のクラスタ、病気患者に5個のクラスタを特定できる。 その結果,提案したFCM-DNNモデルが科学・研究センターに有用であることが確認された。
• 参考スコア（独自算出の注目度）: 0.5340189314359047
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cardiovascular disease is one of the most challenging diseases in middle-aged and older people, which causes high mortality. Coronary artery disease (CAD) is known as a common cardiovascular disease. A standard clinical tool for diagnosing CAD is angiography. The main challenges are dangerous side effects and high angiography costs. Today, the development of artificial intelligence-based methods is a valuable achievement for diagnosing disease. Hence, in this paper, artificial intelligence methods such as neural network (NN), deep neural network (DNN), and Fuzzy C-Means clustering combined with deep neural network (FCM-DNN) are developed for diagnosing CAD on a cardiac magnetic resonance imaging (CMRI) dataset. The original dataset is used in two different approaches. First, the labeled dataset is applied to the NN and DNN to create the NN and DNN models. Second, the labels are removed, and the unlabeled dataset is clustered via the FCM method, and then, the clustered dataset is fed to the DNN to create the FCM-DNN model. By utilizing the second clustering and modeling, the training process is improved, and consequently, the accuracy is increased. As a result, the proposed FCM-DNN model achieves the best performance with a 99.91% accuracy specifying 10 clusters, i.e., 5 clusters for healthy subjects and 5 clusters for sick subjects, through the 10-fold cross-validation technique compared to the NN and DNN models reaching the accuracies of 92.18% and 99.63%, respectively. To the best of our knowledge, no study has been conducted for CAD diagnosis on the CMRI dataset using artificial intelligence methods. The results confirm that the proposed FCM-DNN model can be helpful for scientific and research centers.
• Abstract（参考訳）: 心臓血管疾患は中高年者において最も困難な疾患の1つであり、死亡率が高い。 冠動脈疾患 (cad) は一般的な心血管疾患として知られている。 CAD診断のための標準的な臨床ツールは血管造影である。 主な課題は危険な副作用と血管造影のコストである。 今日、人工知能に基づく手法の開発は、病気の診断にとって貴重な成果である。 そこで本研究では, 心磁気共鳴画像(CMRI)データセット上でCADを診断するために, ニューラルネットワーク(NN), ディープニューラルネットワーク(DNN), ファジィC平均クラスタリングと深部ニューラルネットワーク(FCM-DNN)を組み合わせた人工知能手法を開発した。 オリジナルのデータセットは2つの異なるアプローチで使われている。 まず、ラベル付きデータセットをNNとDNNに適用し、NNとDNNモデルを作成する。 次に、ラベルを除去し、ラベルなしデータセットをFCMメソッドを介してクラスタ化し、クラスタ化されたデータセットをDNNに送ってFCM-DNNモデルを作成する。 第2のクラスタリング及びモデリングを活用することにより、トレーニングプロセスが改善され、精度が向上する。 その結果、提案したFCM-DNNモデルは、92.18%および99.63%の精度に達するNNモデルと比較して、10倍のクロスバリデーション技術により、健康な被験者に5つのクラスタ、5つのクラスタを指定し、99.91%の精度で最高の性能を達成する。 我々の知る限り、人工知能を用いたCMRIデータセットにおけるCAD診断のための研究は行われていない。 その結果,提案したFCM-DNNモデルが科学・研究センターに有効であることが確認された。

関連論文リスト

• MIC: Medical Image Classification Using Chest X-ray (COVID-19 and Pneumonia) Dataset with the Help of CNN and Customized CNN [0.0]
  本研究では,医用画像分類のための独自の畳み込みニューラルネットワーク(CCNN)を提案する。 提案されたCCNNは、同じデータセットを使用した畳み込みニューラルネットワーク(CNN)や他のモデルと比較された。 この研究によると、畳み込みニューラルネットワーク(CCNN)は95.62%の検証精度と0.1270の検証損失を達成した。
  論文  参考訳（メタデータ） (2024-11-02T07:18:53Z)
• Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
  グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。 我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-02T22:15:54Z)
• Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
  我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。 本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。 以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。 アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
  論文  参考訳（メタデータ） (2022-10-28T18:58:34Z)
• Investigating the Predictive Reproducibility of Federated Graph Neural Networks using Medical Datasets [0.0]
  本稿では、医用画像と脳接続データセットの分類に応用したフェデレーションGNNモデルの適用について検討する。 我々は,これらの医学的学習課題において,連合学習がGNNモデルの精度と精度を高めることを示した。
  論文  参考訳（メタデータ） (2022-09-13T14:32:03Z)
• A Regularization Method to Improve Adversarial Robustness of Neural Networks for ECG Signal Classification [1.8579693774597703]
  心電図(Electrocardiogram、ECG)は、ヒトの心臓の状態をモニターする最も広く用いられる診断ツールである。 ECG信号のディープニューラルネットワーク(DNN)解釈は、患者の心臓の潜在的な異常を1秒で識別するために完全に自動化することができる。 DNNは、DNNの入力に微妙な変化をもたらす敵の雑音に対して非常に脆弱であり、間違ったクラスラベル予測をもたらす可能性がある。 本稿では,ECG信号分類の適用のために,ノイズ-信号比(NSR)の観点から頑健性を改善するための正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-10-19T06:22:02Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Improve robustness of DNN for ECG signal classification:a noise-to-signal ratio perspective [2.2977141788872366]
  深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。 DNNは敵の攻撃に対して非常に脆弱である。 本研究では,雑音-信号比(NSR)の観点からDNNのロバスト性を改善することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T23:37:33Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。