論文の概要: Deep Learning Approaches for Seizure Video Analysis: A Review
- arxiv url: http://arxiv.org/abs/2312.10930v2
- Date: Mon, 4 Mar 2024 06:12:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 01:07:09.521949
- Title: Deep Learning Approaches for Seizure Video Analysis: A Review
- Title（参考訳）: 発作映像解析のための深層学習手法の検討
- Authors: David Ahmedt-Aristizabal, Mohammad Ali Armin, Zeeshan Hayder, Norberto
Garcia-Cairasco, Lars Petersson, Clinton Fookes, Simon Denman, Aileen
McGonigal
- Abstract要約: コンピュータ支援による発作の映像分析が自然の道として現れている。
ディープラーニングとコンピュータビジョンのアプローチは、大幅な進歩をもたらした。
これらの主な応用は、(1)発作検出法の改善、(2)発作のタイプと脳の局在を予測するための洗練されたセミロジー分析である。
- 参考スコア（独自算出の注目度）: 40.1521024778093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Seizure events can manifest as transient disruptions in the control of
movements which may be organized in distinct behavioral sequences, accompanied
or not by other observable features such as altered facial expressions. The
analysis of these clinical signs, referred to as semiology, is subject to
observer variations when specialists evaluate video-recorded events in the
clinical setting. To enhance the accuracy and consistency of evaluations,
computer-aided video analysis of seizures has emerged as a natural avenue. In
the field of medical applications, deep learning and computer vision approaches
have driven substantial advancements. Historically, these approaches have been
used for disease detection, classification, and prediction using diagnostic
data; however, there has been limited exploration of their application in
evaluating video-based motion detection in the clinical epileptology setting.
While vision-based technologies do not aim to replace clinical expertise, they
can significantly contribute to medical decision-making and patient care by
providing quantitative evidence and decision support. Behavior monitoring tools
offer several advantages such as providing objective information, detecting
challenging-to-observe events, reducing documentation efforts, and extending
assessment capabilities to areas with limited expertise. The main applications
of these could be (1) improved seizure detection methods; (2) refined semiology
analysis for predicting seizure type and cerebral localization. In this paper,
we detail the foundation technologies used in vision-based systems in the
analysis of seizure videos, highlighting their success in semiology detection
and analysis, focusing on work published in the last 7 years. Additionally, we
illustrate how existing technologies can be interconnected through an
integrated system for video-based semiology analysis.
- Abstract（参考訳）: 発作は、表情の変化のような他の観察可能な特徴が伴うか、伴わないかで異なる行動シーケンスで組織される運動の制御における一時的な混乱として現れる。
これらの臨床症状の分析は、臨床現場でビデオ録画された事象を評価する際に、観察者によって異なる。
評価の正確性と一貫性を高めるため、発作のコンピュータ支援ビデオ解析が自然な道として登場した。
医学応用の分野では、ディープラーニングとコンピュータビジョンのアプローチが大幅に進歩している。
歴史的に, これらの手法は診断データを用いた疾患の検出, 分類, 予測に用いられているが, 臨床てんかんにおけるビデオベースモーション検出の応用は限定的に検討されている。
ビジョンベースの技術は臨床専門知識を置き換えるものではないが、定量的な証拠と意思決定支援を提供することで、医療の意思決定と患者のケアに大きく貢献することができる。
行動監視ツールは、客観的情報の提供、困難なイベントの検出、ドキュメントの取り組みの削減、限られた専門知識を持つ領域へのアセスメント機能拡張など、いくつかの利点を提供している。
これらの主な応用は,(1)発作検出法の改善,(2)発作タイプと脳内局在の予測のための精巧なセミロジカル解析である。
本稿では,視覚系システムにおける発作映像の解析における基礎技術について詳述し,過去7年間の研究に焦点を当てたセミロジカル検出と分析の成功を強調する。
さらに,映像に基づくセミロジカル解析のための統合システムにより,既存技術が相互接続される方法を示す。
関連論文リスト
- Out-of-distribution Detection in Medical Image Analysis: A survey [12.778646136644399]
コンピュータ支援診断は、ディープラーニングベースのコンピュータビジョン技術の発展の恩恵を受けている。
従来の教師付きディープラーニング手法は、テストサンプルがトレーニングデータと同じ分布から引き出されることを前提としている。
実際の臨床シナリオでは分布外のサンプルに遭遇し、深層学習に基づく医用画像解析タスクにおいてサイレント障害を引き起こす可能性がある。
論文 参考訳（メタデータ） (2024-04-28T18:51:32Z) - Eye-tracking in Mixed Reality for Diagnosis of Neurodegenerative Diseases [0.2686968510141288]
パーキンソン病は世界で2番目に多い神経変性疾患である。
本研究の目的は、眼球運動の追跡・評価にMixed Reality機能を活用するシステムを開発することである。
論文 参考訳（メタデータ） (2024-04-19T16:34:15Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Counterfactual Explanations and Predictive Models to Enhance Clinical
Decision-Making in Schizophrenia using Digital Phenotyping [0.966840768820136]
統合失調症患者の症状の個人的変化を予測・検出・説明できる機械学習システムを提案する。
このシステムは、変更点アルゴリズムを用いて症状の減少を検知し、医療におけるシミュレーションされた継続的監視シナリオにおけるリコースとして反ファクト的説明を用いる。
論文 参考訳（メタデータ） (2023-06-06T19:33:03Z) - Survey on Adversarial Attack and Defense for Medical Image Analysis: Methods and Challenges [64.63744409431001]
医療画像解析における敵攻撃・防衛の進歩に関する総合的な調査を報告する。
公正な比較のために、逆向きに堅牢な診断モデルのための新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2023-03-24T16:38:58Z) - Computational Pathology for Brain Disorders [0.0]
この章は、脳障害のコンテキスト内でスライド画像全体を分析するために使用される最先端の機械学習技術を理解することに焦点を当てている。
我々は、識別的アプローチと脳障害に対する品質結果を提供する、注目すべき機械学習アルゴリズムの選択的セットを提案する。
論文 参考訳（メタデータ） (2023-01-13T14:09:02Z) - A Review of Causality for Learning Algorithms in Medical Image Analysis [12.249809900292798]
技術準備レベル(Technology Readiness Levels)の枠組みの中で,医療画像解析のための機械学習を解析する。
我々は、堅牢で適応可能な医用画像解析アルゴリズムを作成する際に、因果解析手法がギャップを埋める方法についてレビューする。
論文 参考訳（メタデータ） (2022-06-11T11:04:13Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z)
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。