論文の概要: A Comprehensive Survey on Heart Sound Analysis in the Deep Learning Era

• arxiv url: http://arxiv.org/abs/2301.09362v1
• Date: Mon, 23 Jan 2023 10:58:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 13:43:07.973099
• Title: A Comprehensive Survey on Heart Sound Analysis in the Deep Learning Era
• Title（参考訳）: 深層学習時代の心音解析に関する総合的調査
• Authors: Zhao Ren, Yi Chang, Thanh Tam Nguyen, Yang Tan, Kun Qian, Bj\"orn W. Schuller
• Abstract要約: 機械学習は、補助診断と専門医の負担軽減に役立つ。 ディープラーニングは多くの研究分野において、古典的な機械学習よりも優れたパフォーマンスを実現している。 深層学習は、近年、心臓の音の分析に成功している。
• 参考スコア（独自算出の注目度）: 20.24537733483551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heart sound auscultation has been demonstrated to be beneficial in clinical usage for early screening of cardiovascular diseases. Due to the high requirement of well-trained professionals for auscultation, automatic auscultation benefiting from signal processing and machine learning can help auxiliary diagnosis and reduce the burdens of training professional clinicians. Nevertheless, classic machine learning is limited to performance improvement in the era of big data. Deep learning has achieved better performance than classic machine learning in many research fields, as it employs more complex model architectures with stronger capability of extracting effective representations. Deep learning has been successfully applied to heart sound analysis in the past years. As most review works about heart sound analysis were given before 2017, the present survey is the first to work on a comprehensive overview to summarise papers on heart sound analysis with deep learning in the past six years 2017--2022. We introduce both classic machine learning and deep learning for comparison, and further offer insights about the advances and future research directions in deep learning for heart sound analysis.
• Abstract（参考訳）: 心血管疾患の早期スクリーニングにおける臨床的有用性について検討した。 高度に訓練された専門家の聴診要求が高いため、信号処理や機械学習による自動聴診は、補助的な診断と専門医の負担軽減に役立つ。 それでも、古典的な機械学習は、ビッグデータの時代におけるパフォーマンス改善に限られている。 ディープラーニングは多くの研究分野において、効率的な表現を抽出する能力の強いより複雑なモデルアーキテクチャを採用するため、古典的な機械学習よりも優れたパフォーマンスを実現している。 深層学習は、近年、心臓の音の分析に成功している。 心臓音響分析に関するほとんどのレビューが2017年以前に行われたように、この調査は、2017年から2022年までの6年間に、深層学習による心臓音響解析に関する論文の概要をまとめた最初の調査である。 本稿では,古典的機械学習と深層学習の両方を比較し,心音響解析における深層学習の進歩と今後の研究方向性について考察する。

関連論文リスト

• Integrating Deep Learning in Cardiology: A Comprehensive Review of Atrial Fibrillation, Left Atrial Scar Segmentation, and the Frontiers of State-of-the-Art Techniques [0.5461938536945723]
  心房細動(英: atrial fibrillation、AFib)は、心臓不整脈である。 LGE-MRIを用いた心房粗動の分節化の最近の進展を概観する。 AFibの処理と管理における正確な傷痕測定の重要性を強調している。
  論文  参考訳（メタデータ） (2024-07-01T11:33:52Z)
• Heart Sound Segmentation Using Deep Learning Techniques [0.0]
  本稿では,S1 (LUB) とS2 (DUB) に心音区分けと分類を行う新しい手法を提案する。 我々は、FFTに基づくフィルタリング、イベント検出のための動的プログラミング、ロバストな分類のためのSiameseネットワークを採用している。 本手法は,既存手法と比較して,PASCALの心臓音響データセットに優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-09T05:30:05Z)
• Automatic Cardiac Pathology Recognition in Echocardiography Images Using Higher Order Dynamic Mode Decomposition and a Vision Transformer for Small Datasets [2.0286377328378737]
  心臓病は、人間の機能不全の主な原因だ。WHOによると、心臓病のために毎年約1800万人が死亡している。 本研究では,新しい深層学習フレームワークに基づく自動心臓病理診断システムを提案する。
  論文  参考訳（メタデータ） (2024-04-30T14:16:45Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• Deep Feature Learning for Medical Acoustics [78.56998585396421]
  本研究の目的は,医療音響の課題における学習内容の比較である。 ヒトの呼吸音と心臓の鼓動を健康的または病態の影響の2つのカテゴリに分類する枠組みが実装されている。
  論文  参考訳（メタデータ） (2022-08-05T10:39:37Z)
• The CirCor DigiScope Dataset: From Murmur Detection to Murmur Classification [5.879085008496386]
  1568人の患者の4つの主要な聴診所から計5282の録音が収集された。 それぞれの心室は、そのタイミング、形状、ピッチ、格付け、品質に応じて、専門家アノテータによって手動で注釈付けされている。
  論文  参考訳（メタデータ） (2021-08-02T12:30:40Z)
• Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
  病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。 このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
  論文  参考訳（メタデータ） (2021-02-07T19:12:32Z)
• 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)
• A Robust Interpretable Deep Learning Classifier for Heart Anomaly Detection Without Segmentation [37.70077538403524]
  心音分類の先行段階として, 心音分節の重要性を論じる。 次に,心臓の異常音検出のための頑健な分類器を提案する。 我々の新しい分類器はまた、広く使われているPhyloNetデータセットでほぼ100%の精度で、堅牢で安定しており、最も重要な説明が可能であることも示されています。
  論文  参考訳（メタデータ） (2020-05-21T06:36:28Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。