論文の概要: HyMNet: a Multimodal Deep Learning System for Hypertension
Classification using Fundus Photographs and Cardiometabolic Risk Factors
- arxiv url: http://arxiv.org/abs/2310.01099v1
- Date: Mon, 2 Oct 2023 11:17:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 22:11:18.397573
- Title: HyMNet: a Multimodal Deep Learning System for Hypertension
Classification using Fundus Photographs and Cardiometabolic Risk Factors
- Title(参考訳): HyMNet: 基礎写真と心臓メタボリックリスクファクターを用いた高血圧分類のためのマルチモーダル深層学習システム
- Authors: Mohammed Baharoon, Hessa Almatar, Reema Alduhayan, Tariq Aldebasi,
Badr Alahmadi, Yahya Bokhari, Mohammed Alawad, Ahmed Almazroa, Abdulrhman
Aljouie
- Abstract要約: 本研究ではHyMNetと呼ばれるマルチモーダルディープラーニング(MMDL)システムを導入し,高血圧検出機能を改善する。
このシステムは、ImageNetで事前トレーニングされたDenseNet-201アーキテクチャを、基礎画像パスに使用し、年齢と性別パスに完全に接続されたニューラルネットワークを使用する。
このシステムはサウジアラビア国防省から収集された626人の網膜画像1,143枚で訓練された。
- 参考スコア(独自算出の注目度): 0.4818215922729967
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, deep learning has shown promise in predicting hypertension
(HTN) from fundus images. However, most prior research has primarily focused on
analyzing a single type of data, which may not capture the full complexity of
HTN risk. To address this limitation, this study introduces a multimodal deep
learning (MMDL) system, dubbed HyMNet, which combines fundus images and
cardiometabolic risk factors, specifically age and gender, to improve
hypertension detection capabilities. Our MMDL system uses the DenseNet-201
architecture, pre-trained on ImageNet, for the fundus imaging path and a fully
connected neural network for the age and gender path. The two paths are jointly
trained by concatenating 64 features output from each path that are then fed
into a fusion network. The system was trained on 1,143 retinal images from 626
individuals collected from the Saudi Ministry of National Guard Health Affairs.
The results show that the multimodal model that integrates fundus images along
with age and gender achieved an AUC of 0.791 [CI: 0.735, 0.848], which
outperforms the unimodal model trained solely on fundus photographs that
yielded an AUC of 0.766 [CI: 0.705, 0.828] for hypertension detection.
- Abstract(参考訳): 近年、深層学習は、基礎画像から高血圧(HTN)を予測することを約束している。
しかしながら、ほとんどの先行研究は、主に1種類のデータを分析することに重点を置いており、htnリスクの完全な複雑さを捉えていない可能性がある。
そこで本研究では,多変量ディープラーニング(mmdl,multimodal deep learning)システムであるhymnetを導入する。
当社のmmdlシステムは,imagenetで事前トレーニングされたdeepnet-201アーキテクチャを,基礎イメージングパスと年齢と性別パスの完全接続ニューラルネットワークとして使用する。
2つの経路は、融合ネットワークに供給される各経路から出力される64の特徴を連結することにより共同で訓練される。
このシステムはサウジアラビア国防省から収集された626人の網膜画像1,143枚で訓練された。
その結果, 眼底画像と年齢, 性別を併用したマルチモーダルモデルはAUC0.791 (CI: 0.735, 0.848] を達成し, 高血圧検出のためのAUC0.766 (CI: 0.705, 0.828) を達成した。
関連論文リスト
- LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Improving Classification of Retinal Fundus Image Using Flow Dynamics
Optimized Deep Learning Methods [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。
経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
論文 参考訳(メタデータ) (2023-04-29T16:11:34Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳(メタデータ) (2023-01-07T18:36:44Z) - An Ensemble Method to Automatically Grade Diabetic Retinopathy with
Optical Coherence Tomography Angiography Images [4.640835690336653]
糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。
まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。
最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
論文 参考訳(メタデータ) (2022-12-12T22:06:47Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳(メタデータ) (2021-10-19T00:03:57Z) - Multi-Scale Convolutional Neural Network for Automated AMD
Classification using Retinal OCT Images [1.299941371793082]
加齢関連黄斑変性症(AMD)は、先進国、特に60歳以上の人々において、視覚障害の最も一般的な原因である。
近年のディープラーニングの発展は、完全に自動化された診断フレームワークの開発にユニークな機会を与えている。
様々な大きさの受容場を用いて病理を識別できる多スケール畳み込みニューラルネットワーク(CNN)を提案する。
論文 参考訳(メタデータ) (2021-10-06T18:20:58Z) - Learning Two-Stream CNN for Multi-Modal Age-related Macular Degeneration
Categorization [6.023239837661721]
加齢関連黄斑変性症(AMD)は50歳以上では一般的な黄斑疾患である。
これまでの研究は、主にシングルモーダル入力によるAMD分類に焦点を当てていた。
対照的に,多モード入力によるAMD分類は臨床的に有意だがほとんど探索されていない方向である。
論文 参考訳(メタデータ) (2020-12-03T12:50:36Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Deep Multi-Scale Resemblance Network for the Sub-class Differentiation
of Adrenal Masses on Computed Tomography Images [16.041873352037594]
副腎の腫瘤は良性または悪性であり、良性は様々な有病率を持つ。
CNNは、大規模な医用画像訓練データセットのクラス間差を最大化する最先端技術である。
副腎腫瘤に対するCNNの応用は、大きなクラス内変異、大きなクラス間類似性、不均衡なトレーニングデータにより困難である。
そこで我々は,これらの制約を克服する深層マルチスケール類似ネットワーク(DMRN)を開発し,クラス内類似性を評価するためにペアCNNを利用した。
論文 参考訳(メタデータ) (2020-07-29T06:24:53Z) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳(メタデータ) (2020-02-13T15:28:42Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳(メタデータ) (2020-02-06T17:25:37Z)
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。