論文の概要: Pretraining ECG Data with Adversarial Masking Improves Model
Generalizability for Data-Scarce Tasks
- arxiv url: http://arxiv.org/abs/2211.07889v1
- Date: Tue, 15 Nov 2022 04:29:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 13:59:13.742069
- Title: Pretraining ECG Data with Adversarial Masking Improves Model
Generalizability for Data-Scarce Tasks
- Title(参考訳): 逆マスキングによるecgデータの事前トレーニングによるデータキャリアタスクのモデル一般化性の向上
- Authors: Jessica Y. Bo, Hen-Wei Huang, Alvin Chan, Giovanni Traverso
- Abstract要約: 本研究では,12誘導心電図(ECG)データの拡張として,対向モデルを用いてマスクを生成する。
最先端のECG増量法である3KGと比較して、データスカース方式では対向マスキングが優れている。
- 参考スコア(独自算出の注目度): 8.286671083636152
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical datasets often face the problem of data scarcity, as ground truth
labels must be generated by medical professionals. One mitigation strategy is
to pretrain deep learning models on large, unlabelled datasets with
self-supervised learning (SSL). Data augmentations are essential for improving
the generalizability of SSL-trained models, but they are typically handcrafted
and tuned manually. We use an adversarial model to generate masks as
augmentations for 12-lead electrocardiogram (ECG) data, where masks learn to
occlude diagnostically-relevant regions of the ECGs. Compared to random
augmentations, adversarial masking reaches better accuracy when transferring to
to two diverse downstream objectives: arrhythmia classification and gender
classification. Compared to a state-of-art ECG augmentation method 3KG,
adversarial masking performs better in data-scarce regimes, demonstrating the
generalizability of our model.
- Abstract(参考訳): 医療データセットは、医療専門家が生成しなければならないため、データ不足の問題に直面することが多い。
緩和戦略の一つは、ssl(self-supervised learning)を使用した、ラベルなしの大きなデータセットでディープラーニングモデルを事前トレーニングすることだ。
データ拡張はSSLでトレーニングされたモデルの一般化性向上に不可欠であるが、通常は手作業で手作業で調整される。
本研究は,12誘導心電図(ECG)データにマスクを付加する対向モデルを用いて,心電図の診断関連領域の排除を学習する。
不整脈分類と性分類の2つの異なる下流目標に移すと、逆向きのマスキングはより正確になる。
最新のECG拡張手法である3KGと比較して,データスカース方式では逆マスキングが優れており,モデルの一般化可能性を示している。
関連論文リスト
- Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデルアタック(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。
従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。
これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文 参考訳(メタデータ) (2024-07-16T06:38:49Z) - Remembering Everything Makes You Vulnerable: A Limelight on Machine Unlearning for Personalized Healthcare Sector [0.873811641236639]
この論文は、特にECGモニタリングの文脈において、パーソナライズされた医療モデルの脆弱性に対処することを目的としている。
本稿では,機械学習モデルに対する露出データポイントの影響を軽減するために,"Machine Unlearning" というアプローチを提案する。
論文 参考訳(メタデータ) (2024-07-05T15:38:36Z) - Unsupervised Pre-Training Using Masked Autoencoders for ECG Analysis [4.3312979375047025]
本稿では、心電図(ECG)信号のためのマスク付きオートエンコーダ(MAE)に基づく教師なし事前トレーニング手法を提案する。
さらに、ECG分析のための完全なフレームワークを形成するためのタスク固有の微調整を提案する。
フレームワークは高レベルで普遍的で、特定のモデルアーキテクチャやタスクに個別に適応していない。
論文 参考訳(メタデータ) (2023-10-17T11:19:51Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳(メタデータ) (2023-09-03T07:55:46Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - Mythological Medical Machine Learning: Boosting the Performance of a
Deep Learning Medical Data Classifier Using Realistic Physiological Models [0.0]
PTSDにより,T-wave Alternans (TWA) を含む人工心電図を180,000個生成した。
7万人以上の患者に25種類のリズムを分類するよう訓練されたディープニューラルネットワーク(DNN)は、出力層をバイナリクラスに修正した。
最も優れた手法は、事前訓練された不整脈DNN、人工データ、およびPTSD関連心電図データを用いて、両方の転送学習ステップを実行することで見出された。
論文 参考訳(メタデータ) (2021-12-28T17:55:37Z) - Improving the efficacy of Deep Learning models for Heart Beat detection
on heterogeneous datasets [0.0]
ヘテロジニアスデータセットにディープラーニングモデルを適用する際の問題点について検討する。
本研究では,健常者からのデータに基づいてトレーニングしたモデルの性能が,心疾患患者に適用した場合に低下することを示す。
次に、異なるデータセットにモデルを適応させるためのTransfer Learningの使用を評価します。
論文 参考訳(メタデータ) (2021-10-26T14:26:55Z) - 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) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳(メタデータ) (2020-06-23T20:43:18Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
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。