論文の概要: SAF-Net: Self-Attention Fusion Network for Myocardial Infarction
Detection using Multi-View Echocardiography
- arxiv url: http://arxiv.org/abs/2309.15520v1
- Date: Wed, 27 Sep 2023 09:38:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 14:23:47.837363
- Title: SAF-Net: Self-Attention Fusion Network for Myocardial Infarction
Detection using Multi-View Echocardiography
- Title(参考訳): SAF-Net:Multi-View Echocardiography を用いた心筋梗塞検出のための自己注意核融合ネットワーク
- Authors: Ilke Adalioglu, Mete Ahisali, Aysen Degerli, Serkan Kiranyaz, Moncef
Gabbouj
- Abstract要約: 心筋梗塞(MI)は,冠動脈疾患(CAD)の重篤な症例であり,最終的に心筋の進行的損傷を予防するためには,その検出が重要である。
多視点心エコー記録からMIを検出するための自己注意核融合ネットワーク(SAF-Net)と呼ばれる新しいビュー融合モデルを提案する。
- 参考スコア(独自算出の注目度): 16.513495618124487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Myocardial infarction (MI) is a severe case of coronary artery disease (CAD)
and ultimately, its detection is substantial to prevent progressive damage to
the myocardium. In this study, we propose a novel view-fusion model named
self-attention fusion network (SAF-Net) to detect MI from multi-view
echocardiography recordings. The proposed framework utilizes apical 2-chamber
(A2C) and apical 4-chamber (A4C) view echocardiography recordings for
classification. Three reference frames are extracted from each recording of
both views and deployed pre-trained deep networks to extract highly
representative features. The SAF-Net model utilizes a self-attention mechanism
to learn dependencies in extracted feature vectors. The proposed model is
computationally efficient thanks to its compact architecture having three main
parts: a feature embedding to reduce dimensionality, self-attention for
view-pooling, and dense layers for the classification. Experimental evaluation
is performed using the HMC-QU-TAU dataset which consists of 160 patients with
A2C and A4C view echocardiography recordings. The proposed SAF-Net model
achieves a high-performance level with 88.26% precision, 77.64% sensitivity,
and 78.13% accuracy. The results demonstrate that the SAF-Net model achieves
the most accurate MI detection over multi-view echocardiography recordings.
- Abstract(参考訳): 心筋梗塞(MI)は,冠動脈疾患(CAD)の重篤な症例であり,最終的に心筋の進行的損傷を予防するためには,その検出が重要である。
本研究では,多視点心エコー記録からMIを検出するための自己注意核融合ネットワーク(SAF-Net)を新たに提案する。
提案フレームワークは,A2C (apical 2-chamber) とA4C (apical 4-chamber) を用いた。
両ビューのそれぞれの記録から3つの参照フレームを抽出し、事前訓練した深層ネットワークを配置し、高度に代表的な特徴を抽出する。
SAF-Netモデルは自己認識機構を用いて抽出した特徴ベクトルの依存関係を学習する。
提案モデルは,3つの主部分を持つコンパクトなアーキテクチャにより,次元の低減,ビュープーリングの自己注意,高層化の3つの特徴の組込みにより,計算的に効率的である。
HMC-QU-TAUデータセットを用いて,A2CおよびA4Cビュー心エコー法を用いて実験を行った。
提案するsaf-netモデルは88.26%の精度、77.64%の感度、78.13%の精度で高性能を実現する。
その結果,saf-netモデルが最も高精度なmi検出が可能となった。
関連論文リスト
- Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。
これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
論文 参考訳(メタデータ) (2023-08-24T15:32:27Z) - Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。
UIA検出では偽陽性率は0.21で感度は0.80であった。
論文 参考訳(メタデータ) (2023-08-06T03:28:08Z) - Error correcting 2D-3D cascaded network for myocardial infarct scar
segmentation on late gadolinium enhancement cardiac magnetic resonance images [0.0]
完全自動で心筋梗塞の程度を計算できる2次元および3次元畳み込みニューラルネットワーク(CNN)のケースケードフレームワークを提案する。
EMIDECチャレンジのトレーニングデータセットを用いて,提案手法を5倍のクロスバリデーションで評価し,評価した。
論文 参考訳(メタデータ) (2023-06-26T14:21:18Z) - Deep Omni-supervised Learning for Rib Fracture Detection from Chest
Radiology Images [41.62893318123283]
ディープラーニング(DL)に基づくリブ骨折検出は、死亡を予防し、患者の予後を改善する上で重要な役割を担っている。
DLベースのオブジェクト検出モデルは、大量のバウンディングボックスアノテーションを必要とします。
医用データの注釈付けは時間がかかり専門知識が要求されるため、大量の細かい注釈を得られることは極めて不可能である。
我々は,ORF-Netv2という新しいオブジェクト検出ネットワークを提案する。
論文 参考訳(メタデータ) (2023-06-23T05:36:03Z) - MyI-Net: Fully Automatic Detection and Quantification of Myocardial
Infarction from Cardiovascular MRI Images [9.709445432765039]
心臓発作 (Heart attack) または心筋梗塞(MI)は、心臓に血液を供給する動脈が突然閉塞されたときに起こる。
MIの定量化のための完全に自動化された「金の標準」は存在しない。
MyI-NetはMRI画像中のMIの検出と定量化のためのエンドツーエンドの完全自動システムである。
論文 参考訳(メタデータ) (2022-12-28T06:34:38Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳(メタデータ) (2022-06-22T14:19:06Z) - ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。
MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。
不整脈では99.7%,MIでは99.2%の分類が得られた。
論文 参考訳(メタデータ) (2021-07-21T03:48:35Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳(メタデータ) (2020-10-07T06:22:24Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z)
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。