論文の概要: ScatterFormer: Locally-Invariant Scattering Transformer for
Patient-Independent Multispectral Detection of Epileptiform Discharges
- arxiv url: http://arxiv.org/abs/2304.14919v1
- Date: Wed, 26 Apr 2023 10:10:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 13:41:06.732407
- Title: ScatterFormer: Locally-Invariant Scattering Transformer for
Patient-Independent Multispectral Detection of Epileptiform Discharges
- Title（参考訳）: scatterformer: 患者に依存しないエピレプチフォーム放電のマルチスペクトル検出のための局所不変散乱トランスフォーマ
- Authors: Ruizhe Zheng, Jun Li, Yi Wang, Tian Luo, Yuguo Yu
- Abstract要約: 微妙な特徴に特に注意を払う不変な散乱変換に基づく階層変換器を提案する。
特に、歪んだ周波数認識注意(FAA)により、Transformerは臨床的に有意な高周波成分を捉えることができる。
ローランドてんかん患者におけるAUCROCの中央値と精度は98.14%,96.39%であった。
- 参考スコア（独自算出の注目度）: 7.726017342725144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Patient-independent detection of epileptic activities based on visual
spectral representation of continuous EEG (cEEG) has been widely used for
diagnosing epilepsy. However, precise detection remains a considerable
challenge due to subtle variabilities across subjects, channels and time
points. Thus, capturing fine-grained, discriminative features of EEG patterns,
which is associated with high-frequency textural information, is yet to be
resolved. In this work, we propose Scattering Transformer (ScatterFormer), an
invariant scattering transform-based hierarchical Transformer that specifically
pays attention to subtle features. In particular, the disentangled
frequency-aware attention (FAA) enables the Transformer to capture clinically
informative high-frequency components, offering a novel clinical explainability
based on visual encoding of multichannel EEG signals. Evaluations on two
distinct tasks of epileptiform detection demonstrate the effectiveness our
method. Our proposed model achieves median AUCROC and accuracy of 98.14%,
96.39% in patients with Rolandic epilepsy. On a neonatal seizure detection
benchmark, it outperforms the state-of-the-art by 9% in terms of average
AUCROC.
- Abstract（参考訳）: 脳波(cEEG)の視覚スペクトルによるてんかん活動の患者非依存的検出はてんかんの診断に広く用いられている。
しかしながら、被験者、チャネル、時間点の微妙な変動のため、正確な検出は依然として大きな課題である。
したがって、高頻度のテクスチャ情報に関連付けられた脳波パターンの細粒度で判別的な特徴の把握は未解決である。
本研究では,微妙な特徴に特に注意を払う不変散乱変換に基づく階層的変圧器である散乱変圧器(散乱変圧器)を提案する。
特に、不等角化周波数認識注意(faa)により、トランスフォーマは臨床的に有益な高周波成分を捉えることができ、多チャンネル脳波信号の視覚的符号化に基づく新しい臨床説明性を提供する。
エピレプチフォーム検出の2つのタスクに対する評価は,本手法の有効性を示す。
ローランドてんかん患者におけるAUCROCの中央値と精度は98.14%,96.39%であった。
新生児発作検出ベンチマークでは、平均的なAUCROCで最先端の9%を上回っている。
関連論文リスト
- Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。
LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
論文 参考訳（メタデータ） (2024-10-05T02:13:57Z) - StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。
ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文 参考訳（メタデータ） (2024-08-11T01:22:29Z) - SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder [0.0]
本研究では,脳波データからてんかん発作を検出するための半教師付きアプローチを提案する。
以上の結果から,SncVAEは脳波データにおける発作検出を改善し,早期発作の早期発見と術後経過のモニタリングが可能であることが示唆された。
論文 参考訳（メタデータ） (2024-06-25T13:21:01Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Lightweight Convolution Transformer for Cross-patient Seizure Detection
in Multi-channel EEG Signals [0.0]
本研究では、新しいディープラーニングアーキテクチャに基づく軽量畳み込み変換器(LCT)を提案する。
変換器は、多チャンネル脳波(EEG)信号から空間的および時間的相関情報を同時に学習し、より小さなセグメント長で発作を検出する。
論文 参考訳（メタデータ） (2023-05-07T16:43:52Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Unsupervised Multivariate Time-Series Transformers for Seizure
Identification on EEG [9.338549413542948]
てんかん発作は通常、脳波記録(EEG)によって観察される。
生脳波による発作同定のための教師なしトランスフォーマーモデルを提案する。
我々は、教師なし損失関数を介してトランスフォーマーエンコーダを含むオートエンコーダを訓練し、新しいマスキング戦略を取り入れた。
論文 参考訳（メタデータ） (2023-01-03T15:57:13Z) - EEG-Based Epileptic Seizure Prediction Using Temporal Multi-Channel
Transformers [1.0970480513577103]
てんかんは最も一般的な神経疾患の1つで、てんかん発作と呼ばれる過渡期および未発症の事象を特徴とする。
脳波はてんかんの診断とモニタリングを補助的に行う方法である。
てんかん発作の予期せぬ性質を考えると、その予測は患者のケアを改善し、生活の質とてんかんの治療を最適化する。
論文 参考訳（メタデータ） (2022-09-18T03:03:47Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳（メタデータ） (2022-08-17T09:07:45Z) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳（メタデータ） (2022-07-04T13:15:08Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z)
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。