論文の概要: Early Myocardial Infarction Detection with One-Class Classification over
Multi-view Echocardiography
- arxiv url: http://arxiv.org/abs/2204.07253v1
- Date: Thu, 14 Apr 2022 22:21:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-18 12:17:17.584578
- Title: Early Myocardial Infarction Detection with One-Class Classification over
Multi-view Echocardiography
- Title（参考訳）: multi-view echocardiography を用いた早期心筋梗塞診断の試み
- Authors: Aysen Degerli, Fahad Sohrab, Serkan Kiranyaz, and Moncef Gabbouj
- Abstract要約: 心筋梗塞 (MI) は世界の死亡率と死亡率の主要な原因である。
一級分類法は、特定の対象クラスを検出するモデルを訓練するために用いられる。
マルチモーダルアプローチでは感度は85.23%、F1スコアは80.21%に達する。
- 参考スコア（独自算出の注目度）: 22.479667537086108
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Myocardial infarction (MI) is the leading cause of mortality and morbidity in
the world. Early therapeutics of MI can ensure the prevention of further
myocardial necrosis. Echocardiography is the fundamental imaging technique that
can reveal the earliest sign of MI. However, the scarcity of echocardiographic
datasets for the MI detection is the major issue for training data-driven
classification algorithms. In this study, we propose a framework for early
detection of MI over multi-view echocardiography that leverages one-class
classification (OCC) techniques. The OCC techniques are used to train a model
for detecting a specific target class using instances from that particular
category only. We investigated the usage of uni-modal and multi-modal one-class
classification techniques in the proposed framework using the HMC-QU dataset
that includes apical 4-chamber (A4C) and apical 2-chamber (A2C) views in a
total of 260 echocardiography recordings. Experimental results show that the
multi-modal approach achieves a sensitivity level of 85.23% and F1-Score of
80.21%.
- Abstract（参考訳）: 心筋梗塞 (MI) は世界の死亡率と死亡率の主要な原因である。
MIの初期治療は、さらなる心筋壊死を防ぐことができる。
心エコー法はMIの初期の徴候を明らかにする基本的な画像診断技術である。
しかし、MI検出のためのエコー心電図データセットの不足は、データ駆動分類アルゴリズムのトレーニングにおいて大きな問題である。
本研究では,one-class classification (occ) を用いた多視点心エコー法によるmi早期検出手法を提案する。
OCCテクニックは、特定のカテゴリからのみインスタンスを使用して特定のターゲットクラスを検出するモデルをトレーニングするために使用される。
260種類の心エコー図記録において,apical 4-chamber (a4c) とapical 2-chamber (a2c) を含む hmc-qu データセットを用いて,提案フレームワークにおける単変量および多変量1クラス分類手法の使用について検討した。
実験の結果、マルチモーダルアプローチは感度85.23%、f1-score80.21%を達成した。
関連論文リスト
- Refining Myocardial Infarction Detection: A Novel Multi-Modal Composite Kernel Strategy in One-Class Classification [14.469786240272365]
心筋梗塞(MI)の早期発見は、さらなる損傷を防ぐために不可欠である。
本研究では,心エコー法における一クラス分類法(OCC)を用いた早期MI検出法を提案する。
今回提案したマルチビュー・アプローチは71.24%の幾何学的平均値を達成し,心エコー図に基づくMI診断の大幅な進歩を示唆している。
論文 参考訳（メタデータ） (2024-02-09T16:41:50Z) - Ensemble Learning of Myocardial Displacements for Myocardial Infarction
Detection in Echocardiography [15.153823114115307]
心筋梗塞の早期発見と局所化は、心臓損傷の重症度を低下させる可能性がある。
深層学習技術は心エコー画像におけるMI検出の可能性を示唆している。
本研究は,複数のセグメンテーションモデルの特徴を組み合わせ,MI分類性能を向上させるロバストな手法を提案する。
論文 参考訳（メタデータ） (2023-03-12T20:16:14Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining
Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。
myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。
この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
論文 参考訳（メタデータ） (2022-01-10T06:37:23Z) - Early Myocardial Infarction Detection over Multi-view Echocardiography [22.81766862528411]
心筋梗塞 (MI) は世界有数の死因である。
そこで本研究では,11個の心筋セグメントをMI検出のために解析可能な,apical 4-chamber (A4C) およびapical 2-chamber (A2C) ビューの融合を提案する。
論文 参考訳（メタデータ） (2021-11-09T15:36:10Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - Cardiac Segmentation on Late Gadolinium Enhancement MRI: A Benchmark
Study from Multi-Sequence Cardiac MR Segmentation Challenge [43.01944884184009]
本稿では,MII 2019とともに,Multi-Sequence MR (MS-CMR) チャレンジの選択的結果を示す。
新しいアルゴリズムを開発し、LGE CMRセグメンテーションのための既存のアルゴリズムをベンチマークし、客観的に比較することを目的としていた。
これらの手法の成功は主に、MS-CMR画像からの補助的配列を含むことによる。
論文 参考訳（メタデータ） (2020-06-22T17:04:38Z) - 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) - Classification of Arrhythmia by Using Deep Learning with 2-D ECG
Spectral Image Representation [3.3426603061273994]
本稿では,ECG信号を8つのクラスに分類するための2次元(2次元)畳み込みニューラルネットワーク(CNN)モデルを提案する。
我々は,最新の平均分類精度99.11%を達成し,同種の不整脈の分類において,最近報告した結果より優れている。
論文 参考訳（メタデータ） (2020-05-14T12:11:41Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Interpreting Deep Neural Networks for Single-Lead ECG Arrhythmia
Classification [0.0]
心臓不整脈は、心臓疾患の死亡率と死亡率の重大な原因である。
ディープラーニング手法は、大規模な不整脈診断を行うためのソリューションを提供する。
得られたモデル出力をECGの対応するセグメントに関連付ける必要がある。
第1の方法は、CNNモデルの正当性を可視化するグラディエント重み付きクラス活性化マップ(Grad-CAM)の新規な応用である。
第2のアプローチでは、LSTMモデルの入力削除マスクを学習することで、サリエンシを導出する。
論文 参考訳（メタデータ） (2020-04-11T13:24:17Z)
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。