論文の概要: Listen to your heart: A self-supervised approach for detecting murmur in
heart-beat sounds
- arxiv url: http://arxiv.org/abs/2208.14845v2
- Date: Fri, 2 Sep 2022 12:17:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 10:18:38.314537
- Title: Listen to your heart: A self-supervised approach for detecting murmur in
heart-beat sounds
- Title(参考訳): 心臓に耳を傾ける:心臓の鼓動を検出する自己教師的アプローチ
- Authors: Aristotelis Ballas, Vasileios Papapanagiotou, Anastasios Delopoulos
and Christos Diou
- Abstract要約: 心臓の大腿骨は心臓の鼓動に異常な音であり、心臓を流れる乱流の血流によって引き起こされる。
PhysioNet 2022チャレンジは、心臓のオーディオ記録から大腿骨の自動検出を目標としている。
本研究への参加は, 大腿骨発見における自己教師型学習の有効性について検討する。
- 参考スコア(独自算出の注目度): 5.646552059494488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heart murmurs are abnormal sounds present in heartbeats, caused by turbulent
blood flow through the heart. The PhysioNet 2022 challenge targets automatic
detection of murmur from audio recordings of the heart and automatic detection
of normal vs. abnormal clinical outcome. The recordings are captured from
multiple locations around the heart. Our participation investigates the
effectiveness of self-supervised learning for murmur detection. We evaluate the
use of a backbone CNN, whose layers are trained in a self-supervised way with
data from both this year's and the 2016 challenge. We use two different
augmentations on each training sample, and normalized temperature-scaled
cross-entropy loss. We experiment with different augmentations to learn
effective phonocardiogram representations. To build the final detectors we
train two classification heads, one for each challenge task. We present
evaluation results for all combinations of the available augmentations, and for
our multiple-augmentation approach.
- Abstract(参考訳): 心臓の大腿骨は心臓の鼓動に異常な音であり、心臓の乱流によって引き起こされる。
PhysioNet 2022の課題は、心臓のオーディオ記録から大腿骨の自動検出と、正常と異常な臨床結果の自動検出である。
録音は心臓周辺の複数の場所から撮影される。
本研究は,大腿骨検出における自己教師付き学習の有効性について検討する。
我々は,今年と2016年の両課題のデータを用いて,レイヤを自己教師型の方法でトレーニングしたバックボーンCNNの使用を評価した。
トレーニングサンプル毎に異なる2つの拡張と,温度スケールのクロスエントロピー損失の正規化を行った。
有効な心電図表現を学習するために異なる拡張法を用いて実験を行った。
最後の検出器を構築するために、2つの分類ヘッドを訓練します。
利用可能な拡張のすべての組み合わせに対する評価結果と、多重拡張アプローチに関する評価結果を示す。
関連論文リスト
- An Algorithm for the Labeling and Interactive Visualization of the
Cerebrovascular System of Ischemic Strokes [59.116811751334225]
VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。
閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。
本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
論文 参考訳(メタデータ) (2022-04-26T14:20:26Z) - Echocardiography Segmentation with Enforced Temporal Consistency [10.652677452009627]
本研究では,2次元以上の長軸心形態を学習するための枠組みを提案する。
心臓の不整合の同定と補正は、生理的に解釈可能な心臓形状の埋め込みを学ぶために訓練された拘束されたオートエンコーダに依存している。
論文 参考訳(メタデータ) (2021-12-03T16:09:32Z) - 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) - Intra-Inter Subject Self-supervised Learning for Multivariate Cardiac
Signals [5.344233761474541]
多変量心信号用にカスタマイズしたISLモデルを提案する。
提案するISLモデルは,医学知識を自己スーパービジョンに統合し,内科間の違いから効果的に学習する。
半教師付き移行学習のシナリオでは、事前訓練されたISLモデルは、1%のラベル付きデータしか利用できない場合、教師付きトレーニングよりも約10%改善する。
論文 参考訳(メタデータ) (2021-09-18T11:37:10Z) - Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
本研究では,新しいセグメンテーションフリー心音分類法を提案する。
具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。
サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
論文 参考訳(メタデータ) (2021-08-09T16:09:30Z) - A Visual Domain Transfer Learning Approach for Heartbeat Sound
Classification [0.0]
心臓病は人間の死亡の最も一般的な理由であり、世界中で約3分の1が死亡している。
疾患の早期発見は患者の生存率を高め、心臓病の徴候を早期に検出する方法がいくつかある。
本研究は、クリーン化および正規化された心音を視覚メルスケールスペクトログラムに変換し、視覚領域変換学習手法を用いて、心音の特徴を自動的に抽出し分類することを提案する。
論文 参考訳(メタデータ) (2021-07-28T09:41:38Z) - Improving Medical Image Classification with Label Noise Using
Dual-uncertainty Estimation [72.0276067144762]
医用画像における2種類のラベルノイズについて論じ,定義する。
医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-28T14:56:45Z) - 2-D Respiration Navigation Framework for 3-D Continuous Cardiac Magnetic
Resonance Imaging [61.701281723900216]
連続スキャン中に2次元呼吸情報を得るためのサンプリング適応を提案する。
我々は、取得した信号から異なる呼吸状態を抽出し、ある呼吸相からデータを再構成するパイプラインを開発した。
論文 参考訳(メタデータ) (2020-12-26T08:29:57Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳(メタデータ) (2020-11-17T16:15:49Z) - 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) - HAN-ECG: An Interpretable Atrial Fibrillation Detection Model Using
Hierarchical Attention Networks [15.96723122978118]
心房細動(英: atrial fibrillation、AF)は、米国で300万人以上、世界中の3300万人以上の人の生活に影響を及ぼす最も一般的な不整脈の1つである。
本稿では,AF検出タスクに対する双方向リカレント・ニューラルネットワークに基づく解釈可能なアプローチであるHAN-ECGを提案する。
論文 参考訳(メタデータ) (2020-02-12T22:23:06Z)
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。