論文の概要: Searching for Effective Neural Network Architectures for Heart Murmur
Detection from Phonocardiogram
- arxiv url: http://arxiv.org/abs/2303.02988v1
- Date: Mon, 6 Mar 2023 09:31:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 16:32:25.900998
- Title: Searching for Effective Neural Network Architectures for Heart Murmur
Detection from Phonocardiogram
- Title（参考訳）: 心電図による心転子検出のためのニューラルネットワークアーキテクチャの探索
- Authors: Hao Wen and Jingsu Kang
- Abstract要約: George B. Moody PhysioNet Challenge 2022は、超音波心電図(PCGs)による心室検出と心機能異常の同定の問題を提起した。
この研究は、我々のチームであるRevengerがこれらの問題を解決するために開発した新しいアプローチについて述べます。
- 参考スコア（独自算出の注目度）: 5.183688633606942
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Aim: The George B. Moody PhysioNet Challenge 2022 raised problems of heart
murmur detection and related abnormal cardiac function identification from
phonocardiograms (PCGs). This work describes the novel approaches developed by
our team, Revenger, to solve these problems.
Methods: PCGs were resampled to 1000 Hz, then filtered with a Butterworth
band-pass filter of order 3, cutoff frequencies 25 - 400 Hz, and z-score
normalized. We used the multi-task learning (MTL) method via hard parameter
sharing to train one neural network (NN) model for all the Challenge tasks. We
performed neural architecture searching among a set of network backbones,
including multi-branch convolutional neural networks (CNNs), SE-ResNets,
TResNets, simplified wav2vec2, etc.
Based on a stratified splitting of the subjects, 20% of the public data was
left out as a validation set for model selection. The AdamW optimizer was
adopted, along with the OneCycle scheduler, to optimize the model weights.
Results: Our murmur detection classifier received a weighted accuracy score
of 0.736 (ranked 14th out of 40 teams) and a Challenge cost score of 12944
(ranked 19th out of 39 teams) on the hidden validation set.
Conclusion: We provided a practical solution to the problems of detecting
heart murmurs and providing clinical diagnosis suggestions from PCGs.
- Abstract（参考訳）: Aim: George B. Moody PhysioNet Challenge 2022は, 超音波心電図(PCGs)から, 心室および関連する心機能同定の問題を提起した。
この研究は、チームがこれらの問題を解決するために開発した新しいアプローチについて述べます。
方法: pcg を 1000 hz にサンプリングし、次に 3 順の butterworth band-pass filter でフィルタし、25 - 400 hz のカットオフ周波数と z-score を正規化した。
我々は、ハードパラメータ共有によるマルチタスク学習(MTL)手法を用いて、チャレンジタスクのすべてに1つのニューラルネットワーク(NN)モデルをトレーニングした。
我々は,マルチブランチ畳み込みニューラルネットワーク(CNN),SE-ResNets,TResNets,簡易wav2vec2など,一連のネットワークバックボーン間のニューラルネットワーク探索を行った。
被験者の階層的な分割に基づいて、公開データの20%はモデル選択の検証セットとして除外された。
モデル重量を最適化するために、AdamWオプティマイザとOneCycleスケジューラが採用された。
結果: murmur検出分類器は, 隠れた検証セットで0.736点(40チーム中14位), チャレンジコストスコア12944点(39チーム中19位)を得た。
結論: 本研究は, 心室中隔欠損症を診断し, 臨床診断をPCGから提案する問題に対して, 実用的な解決策を提供する。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Severity classification of ground-glass opacity via 2-D convolutional
neural network and lung CT scans: a 3-day exploration [0.0]
グラウンドグラスの不透明度は、COVID-19や肺炎、肺線維症、結核など、多くの肺疾患の指標である。
本稿では,3日間にわたって実施,テストされた概念実証フレームワークについて,第3の課題である「COVID-19コンペティション」による実験的結果を示す。
課題の要件の一部として、このエクササイズ中に生成されたソースコードはhttps://github.com/lisatwyw/cov19.comに投稿されている。
論文 参考訳（メタデータ） (2023-03-23T22:35:37Z) - High performing ensemble of convolutional neural networks for insect
pest image detection [124.23179560022761]
害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。
我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。
ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-28T00:49:11Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and
Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。
本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。
提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
論文 参考訳（メタデータ） (2021-05-14T19:40:16Z) - Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural
Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。
最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文 参考訳（メタデータ） (2020-12-29T01:14:17Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Accurate and Efficient Intracranial Hemorrhage Detection and Subtype
Classification in 3D CT Scans with Convolutional and Long Short-Term Memory
Neural Networks [20.4701676109641]
RSNA頭蓋内出血検出のためのシステムについて紹介する。
提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。
最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
論文 参考訳（メタデータ） (2020-08-01T17:28:25Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - A Systematic Search over Deep Convolutional Neural Network Architectures
for Screening Chest Radiographs [4.6411273009803065]
胸部X線写真は肺・胸部疾患のスクリーニングに用いられる。
近年の取り組みは、深層畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた性能ベンチマークを実証している。
複数の標準CNNアーキテクチャを体系的に探索し、分類性能がアンサンブルと同等であることが判明した単一候補モデルを特定した。
論文 参考訳（メタデータ） (2020-04-24T12:30:40Z)
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。