論文の概要: A Domain Generalization Approach for Out-Of-Distribution 12-lead ECG
Classification with Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2208.09656v1
- Date: Sat, 20 Aug 2022 10:58:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 12:29:20.742090
- Title: A Domain Generalization Approach for Out-Of-Distribution 12-lead ECG
Classification with Convolutional Neural Networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いた外部分布12誘導ECG分類のための領域一般化手法
- Authors: Aristotelis Ballas and Christos Diou
- Abstract要約: 本稿では,12誘導心電図(ECG)の異常を,Deep Neural Networkのアーキテクチャ全体にわたって抽出した情報を活用することによって分類する手法を提案する。
我々は4つのソースから利用可能なECGデータセットを採用し、それらを別々のドメインとして扱う。
実世界の環境における分布シフトをシミュレートするために、ドメインのサブセット上でモデルをトレーニングし、残りのドメインを除外する。
- 参考スコア（独自算出の注目度）: 3.1372269816123994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Learning systems have achieved great success in the past few years, even
surpassing human intelligence in several cases. As of late, they have also
established themselves in the biomedical and healthcare domains, where they
have shown a lot of promise, but have not yet achieved widespread adoption.
This is in part due to the fact that most methods fail to maintain their
performance when they are called to make decisions on data that originate from
a different distribution than the one they were trained on, namely
Out-Of-Distribution (OOD) data. For example, in the case of biosignal
classification, models often fail to generalize well on datasets from different
hospitals, due to the distribution discrepancy amongst different sources of
data. Our goal is to demonstrate the Domain Generalization problem present
between distinct hospital databases and propose a method that classifies
abnormalities on 12-lead Electrocardiograms (ECGs), by leveraging information
extracted across the architecture of a Deep Neural Network, and capturing the
underlying structure of the signal. To this end, we adopt a ResNet-18 as the
backbone model and extract features from several intermediate convolutional
layers of the network. To evaluate our method, we adopt publicly available ECG
datasets from four sources and handle them as separate domains. To simulate the
distributional shift present in real-world settings, we train our model on a
subset of the domains and leave-out the remaining ones. We then evaluate our
model both on the data present at training time (intra-distribution) and the
held-out data (out-of-distribution), achieving promising results and surpassing
the baseline of a vanilla Residual Network in most of the cases.
- Abstract（参考訳）: ディープラーニングシステムはここ数年で大きな成功を収め、いくつかのケースで人間の知性を超えている。
最近では、バイオメディカルやヘルスケアの分野にも進出しており、多くの可能性を秘めているが、まだ広く普及していない。
これは、ほとんどのメソッドが、トレーニングされたデータ、すなわちout-Of-Distribution(OOD)データとは異なるディストリビューションから派生したデータに関する決定を行うように呼ばれたとき、パフォーマンスを維持できないためである。
例えば、生体信号分類の場合、モデルでは、異なるデータソース間の分布の不一致のために、異なる病院のデータセットをうまく一般化できないことが多い。
本研究の目的は, 病院データベース間の領域一般化問題を実証し, ディープニューラルネットワークのアーキテクチャ全体にわたって抽出された情報を活用し, 信号の基盤構造を把握し, 心電図の異常を分類する手法を提案することである。
この目的のために、バックボーンモデルとしてResNet-18を採用し、ネットワークのいくつかの中間畳み込み層から特徴を抽出する。
提案手法を評価するために,4つのソースから利用可能なecgデータセットを採用し,それらを別々のドメインとして扱う。
実世界の設定に存在する分布シフトをシミュレートするために、ドメインのサブセットでモデルをトレーニングし、残りのものを除外します。
そして、トレーニング時間(イントラ分配)と保持データ(アウト・オブ・ディストリビューション)の両方でモデルを評価し、有望な結果を得るとともに、ほとんどの場合においてバニラ残差ネットワークのベースラインを上回った。
関連論文リスト
- Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts [11.562953837452126]
多様なドメインから得られたローカルデータの情報性を評価するための最初の試みを行う。
本稿では,ドメインシフト下でのデータ評価を校正する新しい手法であるFederated Evidential Active Learning(FEAL)を提案する。
論文 参考訳（メタデータ） (2023-12-05T08:32:27Z) - Mind the Gap: Federated Learning Broadens Domain Generalization in
Diagnostic AI Models [2.192472845284658]
5施設の胸部X線写真610,000点を用いて, 診断成績を訓練戦略の機能として評価した。
大規模データセットはFLで最小のパフォーマンス向上を示したが、いくつかのケースでは低下を見せた。
さまざまな外部機関間で協調的にトレーニングを行う場合、AIモデルは、ドメイン外のタスクのためにローカルにトレーニングされたモデルを一貫して上回った。
論文 参考訳（メタデータ） (2023-10-01T18:27:59Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳（メタデータ） (2023-08-04T12:27:11Z) - Domain Generalization with Adversarial Intensity Attack for Medical
Image Segmentation [27.49427483473792]
実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。
ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。
本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
論文 参考訳（メタデータ） (2023-04-05T19:40:51Z) - Improving self-supervised pretraining models for epileptic seizure
detection from EEG data [0.23624125155742057]
本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。
自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
論文 参考訳（メタデータ） (2022-06-28T17:15:49Z) - Federated and Generalized Person Re-identification through Domain and
Feature Hallucinating [88.77196261300699]
人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。
一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。
提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-05T09:15:13Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-03-25T14:33:33Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2020-01-16T04:49:33Z)
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。