論文の概要: Deep Neural Networks Generalization and Fine-Tuning for 12-lead ECG Classification

• arxiv url: http://arxiv.org/abs/2305.18592v1
• Date: Fri, 19 May 2023 14:49:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-04 11:08:35.940558
• Title: Deep Neural Networks Generalization and Fine-Tuning for 12-lead ECG Classification
• Title（参考訳）: 12誘導心電図分類のためのディープニューラルネットワークの一般化と微調整
• Authors: Aram Avetisyan, Shahane Tigranyan, Ariana Asatryan, Olga Mashkova, Sergey Skorik, Vladislav Ananev, and Yury Markin
• Abstract要約: 本稿では,さまざまなデータセット上でニューラルネットワークをトレーニングすることで,データセットに関わらず,心臓病の予測精度を向上させる手法を提案する。 大規模なデータセット上でネットワークをトレーニングし、それを別のソースから小さなデータセットで微調整することで、1つの小さなデータセットでのみトレーニングされたネットワークのパフォーマンスが向上することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerous studies are aimed at diagnosing heart diseases based on 12-lead electrocardiographic (ECG) records using deep learning methods. These studies usually use specific datasets that differ in size and parameters, such as patient metadata, number of doctors annotating ECGs, types of devices for ECG recording, data preprocessing techniques, etc. It is well-known that high-quality deep neural networks trained on one ECG dataset do not necessarily perform well on another dataset or clinical settings. In this paper, we propose a methodology to improve the quality of heart disease prediction regardless of the dataset by training neural networks on a variety of datasets with further fine-tuning for the specific dataset. To show its applicability, we train different neural networks on a large private dataset TIS containing various ECG records from multiple hospitals and on a relatively small public dataset PTB-XL. We demonstrate that training the networks on a large dataset and fine-tuning it on a small dataset from another source outperforms the networks trained only on one small dataset. We also show how the ability of a deep neural networks to generalize allows to improve classification quality of more diseases.
• Abstract（参考訳）: 深層学習法を用いた12誘導心電図(ecg)記録に基づく心疾患の診断を目的とした研究が数多く行われている。 これらの研究は通常、患者メタデータ、ECGに注釈を付ける医師の数、ECG記録のためのデバイスの種類、データ前処理技術など、サイズとパラメータの異なる特定のデータセットを使用する。 あるECGデータセットでトレーニングされた高品質なディープニューラルネットワークが、必ずしも他のデータセットや臨床設定でうまく機能しないことはよく知られている。 本稿では,特定のデータセットをさらに微調整して,さまざまなデータセット上でニューラルネットワークをトレーニングすることで,データセットに関わらず心臓病予測の品質を向上させる手法を提案する。 適用性を示すために、複数の病院の様々なECGレコードを含む大規模なプライベートデータセットTISと、比較的小さなパブリックデータセットTB-XLで異なるニューラルネットワークをトレーニングする。 大規模データセット上でネットワークをトレーニングし、別のソースから小さなデータセットに微調整することで、1つの小さなデータセットでのみトレーニングされたネットワークを上回ることを実証する。 また,深層ニューラルネットワークの汎用化によって,より多くの疾患の分類品質が向上することを示す。

関連論文リスト

• Self-Trained Model for ECG Complex Delineation [0.0]
  心電図(ECG)のデライン化は、正確な診断で心臓科医を支援する上で重要な役割を担っている。 我々は,ECGデライン化のためのデータセットを導入し,大量のラベルのないECGデータを活用することを目的とした,新たな自己学習手法を提案する。 我々のアプローチでは、データセットでトレーニングされたニューラルネットワークを使用してラベルなしデータの擬似ラベル付けを行い、その後、新たにラベル付けされたサンプル上でモデルをトレーニングし、デライン化の品質を高める。
  論文  参考訳（メタデータ） (2024-06-04T18:54:10Z)
• Transfer Learning in ECG Diagnosis: Is It Effective? [1.534667887016089]
  本研究は,心電図分類における転帰学習の有効性に関する実証的研究である。 我々は、さまざまなECGデータセットとディープニューラルネットワークをカバーする、スクラッチからのトレーニングと微調整性能を比較した。 伝達学習は、再帰的なニューラルネットワークよりも畳み込みニューラルネットワークとの整合性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-02-03T04:27:26Z)
• Optimizing Neural Network Scale for ECG Classification [1.8953148404648703]
  心電図(ECG)解析のための残留ニューラルネットワーク(ResNet)を対象とするスケーリング畳み込みニューラルネットワーク(CNN)について検討する。 本研究では,層深さ,チャネル数,コンボリューションカーネルサイズといった重要なパラメータの影響を調べることで,ResNetのスケールアップに有効な手法を探索し,実証した。 我々の発見は、計算資源が少ないか、少ない時間でより効率的で正確なモデルを得るための洞察を与えてくれる。
  論文  参考訳（メタデータ） (2023-08-24T01:26:31Z)
• 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)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• 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)
• Multimodal Learning for Cardiovascular Risk Prediction using EHR Data [0.9805331696863404]
  本稿では,医療用テキストと構造化臨床情報を統合した循環神経モデルを提案する。 BiLSTMモデルは、最後の完全に接続されたニューラルネットワークに適用する前に、単語の埋め込みを古典的な臨床予測者に埋め込む。 明らかな血管疾患または高リスクの心血管疾患を有する実世界の患者のデータセットで評価する。
  論文  参考訳（メタデータ） (2020-08-27T08:09:02Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• 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)
• 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。