論文の概要: Semi-Supervised Learning for Multi-Label Cardiovascular Diseases
Prediction:A Multi-Dataset Study
- arxiv url: http://arxiv.org/abs/2306.10494v1
- Date: Sun, 18 Jun 2023 07:46:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 20:24:28.517146
- Title: Semi-Supervised Learning for Multi-Label Cardiovascular Diseases
Prediction:A Multi-Dataset Study
- Title(参考訳): 多層心血管疾患予測のための半教師付き学習:マルチデータセットによる検討
- Authors: Rushuang Zhou, Lei Lu, Zijun Liu, Ting Xiang, Zhen Liang, David A.
Clifton, Yining Dong, Yuan-Ting Zhang
- Abstract要約: 現在の心電図に基づく診断システムは,ディープラーニング技術の急速な発展により,有望な性能を示す。
ラベル不足、複数のCVDの共起、目に見えないデータセットのパフォーマンスの低下は、ディープラーニングベースのモデルの普及を妨げる。
本稿では,複数のCVDを同時に認識するマルチラベル半教師付きモデル(ECGMatch)を提案する。
- 参考スコア(独自算出の注目度): 17.84069222975825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrocardiography (ECG) is a non-invasive tool for predicting
cardiovascular diseases (CVDs). Current ECG-based diagnosis systems show
promising performance owing to the rapid development of deep learning
techniques. However, the label scarcity problem, the co-occurrence of multiple
CVDs and the poor performance on unseen datasets greatly hinder the widespread
application of deep learning-based models. Addressing them in a unified
framework remains a significant challenge. To this end, we propose a
multi-label semi-supervised model (ECGMatch) to recognize multiple CVDs
simultaneously with limited supervision. In the ECGMatch, an ECGAugment module
is developed for weak and strong ECG data augmentation, which generates diverse
samples for model training. Subsequently, a hyperparameter-efficient framework
with neighbor agreement modeling and knowledge distillation is designed for
pseudo-label generation and refinement, which mitigates the label scarcity
problem. Finally, a label correlation alignment module is proposed to capture
the co-occurrence information of different CVDs within labeled samples and
propagate this information to unlabeled samples. Extensive experiments on four
datasets and three protocols demonstrate the effectiveness and stability of the
proposed model, especially on unseen datasets. As such, this model can pave the
way for diagnostic systems that achieve robust performance on multi-label CVDs
prediction with limited supervision.
- Abstract(参考訳): 心電図は、心血管疾患(CVD)を予測するための非侵襲的なツールである。
現在の心電図に基づく診断システムは,ディープラーニング技術の急速な発展により,有望な性能を示す。
しかし、ラベルの不足、複数のCVDの共起、見えないデータセットの性能の低下は、ディープラーニングベースのモデルの普及を著しく妨げている。
統一されたフレームワークでそれらに取り組むことは、依然として大きな課題である。
そこで本研究では,複数のCVDを同時に認識するマルチラベル半教師付きモデル(ECGMatch)を提案する。
ECGMatchでは、弱い強力なECGデータ拡張のためにECGAugmentモジュールが開発され、モデルトレーニングのための多様なサンプルを生成する。
その後、ラベル不足を緩和する擬似ラベル生成・改良のために、近隣の合意モデリングと知識蒸留を備えたハイパーパラメータ効率のフレームワークを設計する。
最後に,ラベル付きサンプル内の異なるCVDの共起情報を捕捉し,ラベル付きサンプルに伝達するラベル相関アライメントモジュールを提案する。
4つのデータセットと3つのプロトコルに関する大規模な実験は、提案モデルの有効性と安定性を実証している。
そのため,本モデルは,限られた監督下での多ラベルCVD予測において,堅牢な性能を実現する診断システムを実現することができる。
関連論文リスト
- Guiding Masked Representation Learning to Capture Spatio-Temporal
Relationship of Electrocardiogram [2.495423169067077]
本稿では,ST-MEM(S-Temporal Masked Electrocardiogram Modeling)を提案する。
ST-MEMは、不整脈に対する様々な実験的設定において、他のSSLベースラインメソッドよりも優れている。
論文 参考訳(メタデータ) (2024-02-02T10:04:13Z) - A Compact LSTM-SVM Fusion Model for Long-Duration Cardiovascular
Diseases Detection [0.0]
世界的には、心臓血管疾患(CVD)が主な死因であり、毎年1790万人が死亡している。
重要な臨床目的の1つは、心電図(ECG)データによるCVDの早期検出である。
機械学習とディープラーニングに基づく最近の進歩は、この分野において大きな進歩を遂げている。
論文 参考訳(メタデータ) (2023-11-20T10:57:11Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Deep learning based ECG segmentation for delineation of diverse
arrhythmias [0.0]
本研究は、ECGデライン化のためのU-Netライクなセグメンテーションモデルを導入することで、既存の研究に基づいている。
主な貢献は、異なる不整脈型のセグメンテーションモデル障害の特定、多様なトレーニングセットを用いた堅牢なモデルの開発、および特定の不整脈に対する偽P波予測を減らすための分類誘導戦略の導入である。
論文 参考訳(メタデータ) (2023-04-13T03:20:45Z) - Multimodality Multi-Lead ECG Arrhythmia Classification using
Self-Supervised Learning [5.675787521359948]
SSLベースのマルチモーダリティECG分類を提案する。
提案するネットワークはSSL学習パラダイムに従っており,前ストリームタスクと下流タスクに対応する2つのモジュールで構成されている。
提案手法の有効性を評価するため,12リードのPhystoNet 2020データセット上で10倍のクロス検証を行った。
論文 参考訳(メタデータ) (2022-09-30T18:45:34Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Improving the efficacy of Deep Learning models for Heart Beat detection
on heterogeneous datasets [0.0]
ヘテロジニアスデータセットにディープラーニングモデルを適用する際の問題点について検討する。
本研究では,健常者からのデータに基づいてトレーニングしたモデルの性能が,心疾患患者に適用した場合に低下することを示す。
次に、異なるデータセットにモデルを適応させるためのTransfer Learningの使用を評価します。
論文 参考訳(メタデータ) (2021-10-26T14:26:55Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - 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)
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。