論文の概要: Riemannian Prediction of Anatomical Diagnoses in Congenital Heart
Disease based on 12-lead ECGs
- arxiv url: http://arxiv.org/abs/2312.09437v1
- Date: Mon, 27 Nov 2023 13:40:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:26:02.438493
- Title: Riemannian Prediction of Anatomical Diagnoses in Congenital Heart
Disease based on 12-lead ECGs
- Title(参考訳): 12誘導心電図による先天性心疾患の解剖学的診断のリーマン予測
- Authors: Muhammet Alkan, Gruschen Veldtman, Fani Deligianni
- Abstract要約: 先天性心疾患(英: Congenital heart disease、CHD)は、出生時の患者に影響を及ぼし、非常に異質な解剖学的、機能的欠陥をもたらす比較的稀な疾患である。
12誘導ECGシグナルは、疾患予後のための重要なバイオマーカーを提供するため、CHD患者で定期的に収集される。
- 参考スコア(独自算出の注目度): 2.090217662115913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Congenital heart disease (CHD) is a relatively rare disease that affects
patients at birth and results in extremely heterogeneous anatomical and
functional defects. 12-lead ECG signal is routinely collected in CHD patients
because it provides significant biomarkers for disease prognosis. However,
developing accurate machine learning models is challenging due to the lack of
large available datasets. Here, we suggest exploiting the Riemannian geometry
of the spatial covariance structure of the ECG signal to improve
classification. Firstly, we use covariance augmentation to mix samples across
the Riemannian geodesic between corresponding classes. Secondly, we suggest to
project the covariance matrices to their respective class Riemannian mean to
enhance the quality of feature extraction via tangent space projection. We
perform several ablation experiments and demonstrate significant improvement
compared to traditional machine learning models and deep learning on ECG time
series data.
- Abstract(参考訳): 先天性心疾患(英: Congenital heart disease、CHD)は、出生時の患者に影響を及ぼし、非常に異質な解剖学的、機能的欠陥をもたらす比較的稀な疾患である。
12誘導ECGシグナルは、疾患予後のための重要なバイオマーカーを提供するため、CHD患者で定期的に収集される。
しかし、大規模なデータセットがないため、正確な機械学習モデルの開発は困難である。
ここでは、ECG信号の空間共分散構造のリーマン幾何学を利用して分類を改善することを提案する。
まず,共分散拡張を用いて対応するクラス間のリーマン測地線にサンプルを混合する。
次に,共分散行列を各クラスリーマン平均に投影し,接空間射影による特徴抽出の質を高めることを提案する。
複数のアブレーション実験を行い,ecg時系列データを用いた従来の機械学習モデルやディープラーニングと比較して有意な改善を示した。
関連論文リスト
- Debiasing Cardiac Imaging with Controlled Latent Diffusion Models [1.802269171647208]
本稿では,データセットに固有の不均衡を,合成データの生成によって緩和する手法を提案する。
我々は,患者メタデータと心臓の形状から合成したテキストを条件に,拡散確率モデルに基づく制御ネットを採用する。
本実験は,データセットの不均衡を緩和する手法の有効性を実証するものである。
論文 参考訳(メタデータ) (2024-03-28T15:41:43Z) - SDF4CHD: Generative Modeling of Cardiac Anatomies with Congenital Heart
Defects [1.7253131980161722]
先天性心疾患(CHD)は、心臓血管構造異常のスペクトルを含む。
ディープラーニング(DL)手法は、効率的な治療計画を可能にする可能性を実証している。
しかし、CHDは稀であり、そのようなDLモデルの訓練に十分な量の患者コホートを取得することは困難である。
異なるCHDタイプで観察される心臓解剖の幅広いスペクトルを捉えるのに適したタイプと形状の異なる生成手法を提案する。
論文 参考訳(メタデータ) (2023-11-01T06:50:53Z) - Understanding of Normal and Abnormal Hearts by Phase Space Analysis and
Convolutional Neural Networks [0.0]
彼のPurkinjeネットワークは、正常な人間の心臓のパワースペクトルを分析するのに使われている。
CNNs法はMLIIで記録されたMIT-BIHデータベースを介して44レコードに適用される。
バイナリCNN分類は、健康な心臓または不健康な心臓を決定するために用いられる。
論文 参考訳(メタデータ) (2023-05-16T19:52:40Z) - Geometry-Aware Latent Representation Learning for Modeling Disease
Progression of Barrett's Esophagus [0.0]
Barrett's Esophagus(BE)は食道腺癌(EAC)の唯一の前駆体である
変分オートエンコーダ(VAE)による教師なし表現学習は、将来性を示す。
VAEは入力データを有用な特徴しか持たない低次元多様体にマッピングする。
$mathcalS$-VAEは、バニラVAEよりも優れたリコンストラクション損失、表現分類精度、高品質な生成画像でパフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-03-17T14:08:16Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳(メタデータ) (2022-11-12T23:28:54Z) - GeoECG: Data Augmentation via Wasserstein Geodesic Perturbation for
Robust Electrocardiogram Prediction [20.8603653664403]
本稿では,心電図信号に基づく心疾患検出の堅牢性を高めるために,生理学的に着想を得たデータ拡張手法を提案する。
我々は、ワッサーシュタイン空間の測地線に沿った他のクラスに対してデータ分布を摂動することで、拡張されたサンプルを得る。
12個の心電図信号から学習し,心臓状態の5つのカテゴリを識別できる。
論文 参考訳(メタデータ) (2022-08-02T03:14:13Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳(メタデータ) (2021-09-08T07:56:51Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - 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) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳(メタデータ) (2020-02-26T17:10:48Z)
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。