論文の概要: Review of medical data analysis based on spiking neural networks
- arxiv url: http://arxiv.org/abs/2212.02234v1
- Date: Sun, 13 Nov 2022 03:23:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 13:09:08.603598
- Title: Review of medical data analysis based on spiking neural networks
- Title（参考訳）: スパイキングニューラルネットワークを用いた医療データ解析の展望
- Authors: X. Li (1), L. Wang (1), D. Zhao (2 and 3) (the X. Zhang, X. Yi, D.
Liu, H. Wang, B. Zhang Collaboration) ((1) China University of Petroleum,
Beijing,(2) Institute of Computing Technology, Chinese Academy of Sciences)
- Abstract要約: 多くの学者は、ニューラルネットワークとディープラーニングを使って医療データの分類と研究を行い、医師の作業効率と精度を向上させる。
従来のニューラルネットワークには、高エネルギー消費や高レイテンシ(計算速度の低下)といった欠点がある
本稿では,第3世代ニューラルネットワークを用いた信号分類と疾患診断に関する研究を紹介する。
- 参考スコア（独自算出の注目度）: 0.6291681227094761
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical data mainly includes various biomedical signals and medical images,
and doctors can make judgments on the physical condition of patients through
medical data. However, the interpretation of medical data requires a lot of
labor costs and may be misjudged, so many scholars use neural networks and deep
learning to classify and study medical data, thereby improving doctors' work
efficiency and accuracy, achieving early detection of diseases and early
diagnosis, so it has a wide range of application prospects. However,
traditional neural networks have disadvantages such as high energy consumption
and high latency (slow calculation speed). This paper introduces the research
on signal classification and disease diagnosis based on the third-generation
neural network - pulse neural network in recent years, using medical data, such
as electroencephalogram (EEG), electrocardiogram (ECG), electromyography (EMG),
magnetic resonance imaging (MRI), etc., summarizes the advantages and
disadvantages of pulse neural networks compared with traditional networks, and
looks forward to the future development direction.
- Abstract（参考訳）: 医療データは主に様々な生体信号や医用画像を含み、医師は医療データを通じて患者の体調を判断することができる。
しかし、医療データの解釈には多くの労力が必要であり、誤解される可能性があるため、多くの研究者がニューラルネットワークとディープラーニングを使って医療データの分類と研究を行い、医師の作業効率と正確性を改善し、疾患の早期発見と早期診断を達成し、幅広い応用可能性を持っている。
しかし、従来のニューラルネットワークは、高いエネルギー消費と高いレイテンシ(低い計算速度)といった欠点がある。
本稿では,脳波(EEG),心電図(ECG),筋電図(EMG),磁気共鳴画像(MRI)などの医学データを用いて,近年の第3世代ニューラルネットワークを用いた信号分類と疾患診断に関する研究を行い,従来のネットワークと比較してパルスニューラルネットワークの利点と欠点を概説し,今後の発展方向を期待する。
関連論文リスト
- EG-SpikeFormer: Eye-Gaze Guided Transformer on Spiking Neural Networks for Medical Image Analysis [32.59232529143777]
医用画像の診断関連領域に注意を向けるために、眼球データを含む臨床作業に適したSNNアーキテクチャであるEG-SpikeFormerを紹介する。
提案手法は,特に臨床データに制限があり,信頼性,汎用性,透明性が要求されるシナリオにおいて,従来のモデルでよく見られるショートカット学習の問題に効果的に対処する。
我々のEG-SpikeFormerは、医療画像予測タスクにおいて優れたエネルギー効率と性能を示すだけでなく、マルチモーダル情報アライメントによる臨床関連性を高める。
論文 参考訳（メタデータ） (2024-10-12T23:54:44Z) - Investigation of Customized Medical Decision Algorithms Utilizing Graph Neural Networks [15.04251924479172]
本稿では,グラフニューラルネットワーク(GNN)を用いた個人化医療意思決定アルゴリズムを提案する。
提案アルゴリズムは, 疾患予測精度, 治療効果評価, 患者リスク階層化の点で, 高い性能を示した。
論文 参考訳（メタデータ） (2024-05-23T04:30:41Z) - Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural
Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。
EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。
全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文 参考訳（メタデータ） (2023-11-15T06:34:00Z) - Promises and pitfalls of deep neural networks in neuroimaging-based
psychiatric research [0.9449650062296824]
ディープニューラルネットワーク、特に畳み込みニューラルネットワークは、医療画像の強力なツールへと進化してきた。
ここでは、まず、方法論的鍵概念と結果の方法論的約束について紹介する。
神経画像に基づく精神医学研究における最近の応用を振り返り、現在の課題について論じる。
論文 参考訳（メタデータ） (2023-01-20T12:05:59Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - Aiding Medical Diagnosis Through the Application of Graph Neural
Networks to Functional MRI Scans [0.0]
グラフニューラルネットワーク(GNN)は、生物学的データから予測を生成する強力なツールであることが示されている。
本稿では,ノードやエッジを含むグラフとして静止状態fMRIデータを表現するための新しい手法を提案する。
我々は、GNNが人の病気や性別を予測できることを示した。
論文 参考訳（メタデータ） (2021-12-01T14:10:52Z) - 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) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。