Fugu-MT 論文翻訳(概要): HCT: Hybrid Convnet-Transformer for Parkinson's disease detection and severity prediction from gait

論文の概要: HCT: Hybrid Convnet-Transformer for Parkinson's disease detection and severity prediction from gait

arxiv url: http://arxiv.org/abs/2310.17078v1
Date: Thu, 26 Oct 2023 00:43:15 GMT
ステータス: 処理完了
システム内更新日: 2023-10-27 22:42:51.279785
Title: HCT: Hybrid Convnet-Transformer for Parkinson's disease detection and severity prediction from gait
Title（参考訳）: hct : パーキンソン病検出のためのハイブリッドconvnet-transformerと歩行からの重症度予測
Authors: Safwen Naimi, Wassim Bouachir, Guillaume-Alexandre Bilodeau
Abstract要約: 歩行データからパーキンソン病(PD)を検出・発生するための新しい深層学習法を提案する。我々のハイブリッドアーキテクチャは、畳み込みニューラルネットワーク(ConvNets)とトランスフォーマーの両方の長所を利用して、PDを正確に検出し、重大度ステージを決定する。 PD検出精度は97%,重度ステージング精度は87%であった。
参考スコア（独自算出の注目度）: 7.213855322671065
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose a novel deep learning method based on a new Hybrid ConvNet-Transformer architecture to detect and stage Parkinson's disease (PD) from gait data. We adopt a two-step approach by dividing the problem into two sub-problems. Our Hybrid ConvNet-Transformer model first distinguishes healthy versus parkinsonian patients. If the patient is parkinsonian, a multi-class Hybrid ConvNet-Transformer model determines the Hoehn and Yahr (H&Y) score to assess the PD severity stage. Our hybrid architecture exploits the strengths of both Convolutional Neural Networks (ConvNets) and Transformers to accurately detect PD and determine the severity stage. In particular, we take advantage of ConvNets to capture local patterns and correlations in the data, while we exploit Transformers for handling long-term dependencies in the input signal. We show that our hybrid method achieves superior performance when compared to other state-of-the-art methods, with a PD detection accuracy of 97% and a severity staging accuracy of 87%. Our source code is available at: https://github.com/SafwenNaimi
Abstract（参考訳）: 本稿では,歩行データからパーキンソン病(pd)を検出・診断するための新しいハイブリッドconvnet-transformerアーキテクチャに基づく新しい深層学習法を提案する。問題を2つのサブ問題に分割することにより,2段階のアプローチを採用する。我々のハイブリッドConvNet-Transformerモデルは、まず健康とパーキンソン病の患者を区別する。パーキンソン病患者の場合、マルチクラスハイブリッドconvnet-transformerモデルは、pd重症度ステージを評価するためにhoehn and yahr (h&y)スコアを決定する。我々のハイブリッドアーキテクチャは、畳み込みニューラルネットワーク(convnets)とトランスフォーマーの両方の強みを利用して、pdを正確に検出し、重大度ステージを決定する。特に、convnetsを利用してデータのローカルパターンや相関をキャプチャし、トランスフォーマーを利用して入力信号の長期的な依存性を処理します。提案手法は, pd検出精度97%, 重み付きステージング精度87%において, 他の最先端手法と比較して優れた性能が得られることを示す。ソースコードはhttps://github.com/safwennaimi

関連論文リスト

DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文参考訳（メタデータ） (2023-12-02T22:57:25Z)
1D-Convolutional transformer for Parkinson disease diagnosis from gait [7.213855322671065]
本稿では,歩行からパーキンソン病の診断に有効なディープニューラルネットワークモデルを提案する。本稿では,重症度を検知し,病状を正確に診断するためのハイブリッドConvNetTransform-erアーキテクチャを提案する。提案手法は歩行データからパーキンソン病の異なる段階を検出するのに有効であることが示された。
論文参考訳（メタデータ） (2023-11-06T15:17:17Z)
Optimizing Vision Transformers for Medical Image Segmentation and Few-Shot Domain Adaptation [11.690799827071606]
我々はCS-Unet(Convolutional Swin-Unet)トランスフォーマーブロックを提案し、パッチ埋め込み、プロジェクション、フィードフォワードネットワーク、サンプリングおよびスキップ接続に関連する設定を最適化する。 CS-Unetはゼロからトレーニングすることができ、各機能プロセスフェーズにおける畳み込みの優位性を継承する。実験によると、CS-Unetは事前トレーニングなしで、パラメータが少ない2つの医療用CTおよびMRIデータセットに対して、最先端の他のデータセットを大きなマージンで上回っている。
論文参考訳（メタデータ） (2022-10-14T19:18:52Z)
Characterization of anomalous diffusion through convolutional transformers [0.8984888893275713]
本稿では, 異常拡散のキャラクタリゼーションのためのトランスフォーマーに基づくニューラルネットワークアーキテクチャを提案する。新たなアーキテクチャであるConvTransformer(ConvTransformer)は、二層畳み込みニューラルネットワークを使用して、拡散軌道から特徴を抽出します。我々は,ConvTransformerが,短い軌跡において,基礎となる拡散状態を決定する上で,従来の技術よりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-10T18:53:13Z)
BTranspose: Bottleneck Transformers for Human Pose Estimation with Self-Supervised Pre-Training [0.304585143845864]
本稿では,CNNとマルチヘッド自己注意層(MHSA)を効果的に組み合わせたBottleneck Transformersを提案する。我々は,異なるバックボーンアーキテクチャを考察し,DINO自己教師型学習手法を用いて事前学習を行う。実験により,本モデルが [1] などの他の手法と競合する 76.4 のAPを達成でき,ネットワークパラメータも少ないことがわかった。
論文参考訳（メタデータ） (2022-04-21T15:45:05Z)
Transformers for 1D Signals in Parkinson's Disease Detection from Gait [11.759564521969379]
本稿では,患者の歩行分析に基づくパーキンソン病の検出に焦点を当てた。本稿では,トランスフォーマーによる特徴の自動抽出に基づく新しい手法を提案する。我々のモデルは、パーキンソン病患者と健康な患者の区別において、95.2%の精度で現在の最先端のアルゴリズムより優れている。
論文参考訳（メタデータ） (2022-04-01T13:30:52Z)
nnFormer: Interleaved Transformer for Volumetric Segmentation [50.10441845967601]
本稿では,自己意図と畳み込みを実証的に組み合わせた,インターリーブアーキテクチャを備えた強力なセグメンテーションモデルであるnnFormerを紹介する。 nnFormerは、SynapseとACDCの2つの一般的なデータセットで、以前のTransformerベースのメソッドよりも大幅に改善されている。
論文参考訳（メタデータ） (2021-09-07T17:08:24Z)
Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation [63.46694853953092]
Swin-Unetは、医用画像セグメンテーション用のUnetライクなトランスフォーマーである。トークン化されたイメージパッチは、TransformerベースのU字型デコーダデコーダアーキテクチャに供給される。
論文参考訳（メタデータ） (2021-05-12T09:30:26Z)
End-to-End Trainable Multi-Instance Pose Estimation with Transformers [68.93512627479197]
畳み込みニューラルネットワークとトランスを組み合わせることで,マルチインスタンスポーズ推定のための新たなエンドツーエンドトレーニング可能なアプローチを提案する。変換器を用いたエンドツーエンドのトレーニング可能なオブジェクト検出に関する最近の研究に触発されて、変換器エンコーダデコーダアーキテクチャとバイパーティイトマッチングスキームを併用して、与えられた画像中のすべての個人のポーズを直接回帰する。提案モデルであるポーズ推定トランスフォーマ(poet)は,キーポイント損失,キーポイント可視性損失,センター損失,クラス損失からなる,新たなセットベースグローバル損失を用いてトレーニングを行う。
論文参考訳（メタデータ） (2021-03-22T18:19:22Z)
Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions [103.03973037619532]
この研究は、畳み込みのない多くの密な予測タスクに有用な単純なバックボーンネットワークを調査します。画像分類用に特別に設計された最近提案されたトランスフォーマーモデル(例: ViT)とは異なり、Pyramid Vision Transformer(PVT)を提案する。 PVTは、高出力の解像度を達成するために画像の高密度分割をトレーニングするだけでなく、高密度の予測に重要である。
論文参考訳（メタデータ） (2021-02-24T08:33:55Z)
Conformer: Convolution-augmented Transformer for Speech Recognition [60.119604551507805]
最近、トランスフォーマーと畳み込みニューラルネットワーク(CNN)に基づくモデルが、自動音声認識(ASR)の有望な結果を示している。音声認識のための畳み込み拡張変換器,Conformerを提案する。広く使われているLibriSpeechベンチマークでは、言語モデルを用いずにWERが2.1%/4.3%、テスト/テストの外部言語モデルで1.9%/3.9%を達成した。
論文参考訳（メタデータ） (2020-05-16T20:56:25Z)

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。