Fugu-MT 論文翻訳(概要): Interpretable Multimodal Learning for Cardiovascular Hemodynamics Assessment

論文の概要: Interpretable Multimodal Learning for Cardiovascular Hemodynamics Assessment

arxiv url: http://arxiv.org/abs/2404.04718v1
Date: Sat, 6 Apr 2024 19:42:25 GMT
ステータス: 処理完了
システム内更新日: 2024-04-09 19:50:28.824481
Title: Interpretable Multimodal Learning for Cardiovascular Hemodynamics Assessment
Title（参考訳）: 循環動態評価のための解釈型マルチモーダルラーニング
Authors: Prasun C Tripathi, Sina Tabakhi, Mohammod N I Suvon, Lawrence Schöb, Samer Alabed, Andrew J Swift, Shuo Zhou, Haiping Lu,
Abstract要約: 肺動脈圧 (PAWP) は心不全の診断に必須の指標である。本稿では,PAWPマーカーを予測するマルチモーダル学習パイプラインを提案する。
参考スコア（独自算出の注目度）: 5.854275745400326
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Pulmonary Arterial Wedge Pressure (PAWP) is an essential cardiovascular hemodynamics marker to detect heart failure. In clinical practice, Right Heart Catheterization is considered a gold standard for assessing cardiac hemodynamics while non-invasive methods are often needed to screen high-risk patients from a large population. In this paper, we propose a multimodal learning pipeline to predict PAWP marker. We utilize complementary information from Cardiac Magnetic Resonance Imaging (CMR) scans (short-axis and four-chamber) and Electronic Health Records (EHRs). We extract spatio-temporal features from CMR scans using tensor-based learning. We propose a graph attention network to select important EHR features for prediction, where we model subjects as graph nodes and feature relationships as graph edges using the attention mechanism. We design four feature fusion strategies: early, intermediate, late, and hybrid fusion. With a linear classifier and linear fusion strategies, our pipeline is interpretable. We validate our pipeline on a large dataset of $2,641$ subjects from our ASPIRE registry. The comparative study against state-of-the-art methods confirms the superiority of our pipeline. The decision curve analysis further validates that our pipeline can be applied to screen a large population. The code is available at https://github.com/prasunc/hemodynamics.
Abstract（参考訳）: 肺動脈圧 (PAWP) は心不全を検出するための重要な循環動態マーカーである。臨床的には、右心カテーテル化は心臓血行動態を評価するための金の基準と考えられているが、高リスク患者を検査するためには非侵襲的な方法がしばしば必要である。本稿では,PAWPマーカーを予測するマルチモーダル学習パイプラインを提案する。心臓磁気共鳴画像(CMR)スキャン(短軸・四角)と電子健康記録(EHR)の相補的情報を利用する。テンソル学習を用いてCMRスキャンから時空間的特徴を抽出する。本稿では,グラフノードとして対象をモデル化し,アテンション機構を用いて特徴関係をグラフエッジとしてモデル化する,予測のための重要なEHR機能を選択するグラフアテンションネットワークを提案する。我々は、早期、中期、後期、ハイブリッドの4つの機能融合戦略を設計する。線形分類器と線形融合戦略により、パイプラインは解釈可能である。当社のパイプラインをASPIREレジストリから2,641ドルの大規模データセットで検証しています。最先端手法との比較研究により,パイプラインの優位性が確認された。決定曲線解析により、パイプラインが多くの個体群をスクリーニングするために適用可能であることがさらに検証される。コードはhttps://github.com/prasunc/hemodynamics.comで公開されている。

関連論文リスト

Deep vectorised operators for pulsatile hemodynamics estimation in coronary arteries from a steady-state prior [2.3971720731010766]
本稿では,拍動血行動態を推定するために,機械学習を利用した時間効率な代理モデルを提案する。本モデルでは, 震源領域の再サンプリングに依存せず, 脈動速度と圧力の正確な推定値が得られた。
論文参考訳（メタデータ） (2024-10-15T12:24:50Z)
Whole Heart 3D+T Representation Learning Through Sparse 2D Cardiac MR Images [13.686473040836113]
本研究では,心臓スタック全体にわたる空間的パッチと時間的パッチの相関関係を自動的に解明する,完全自己教師型学習フレームワークを提案する。我々は、UK BioBankから14,000のラベルなしCMRデータをトレーニングし、1000の注釈付きデータで評価する。
論文参考訳（メタデータ） (2024-06-01T07:08:45Z)
FunnelNet: An End-to-End Deep Learning Framework to Monitor Digital Heart Murmur in Real-Time [5.408260756721024]
心室は、心臓内の乱流によって生じる異常な音である。本研究は,従来型および深部畳み込み型ネットワークを用いた,エンドツーエンドの心臓外傷検出手法を開発することを目的とする。
論文参考訳（メタデータ） (2024-05-10T03:12:17Z)
Tensor-based Multimodal Learning for Prediction of Pulmonary Arterial Wedge Pressure from Cardiac MRI [6.21112347271845]
心不全は重篤で生命を脅かす状態であり、左心室の圧力を上昇させる可能性がある。 PAWPは左室の高圧を示す重要な代理マーカーである。非侵襲的な方法は、人口の多い高リスク患者を迅速に同定するのに有用である。
論文参考訳（メタデータ） (2023-03-14T00:05:08Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-10-24T18:58:40Z)
ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional Neural Networks [9.410102957429705]
本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
論文参考訳（メタデータ） (2021-08-18T14:55:46Z)
Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT [45.93021999366973]
肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。細気管支、動脈、静脈に対して優れた感受性を有する。
論文参考訳（メタデータ） (2020-12-10T15:56:08Z)
Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。第2段階は、心拍を幅または幅に分類する分類NNである。第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文参考訳（メタデータ） (2020-11-17T16:15:49Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。