Fugu-MT 論文翻訳(概要): Rene: A Pre-trained Multi-modal Architecture for Auscultation of Respiratory Diseases

論文の概要: Rene: A Pre-trained Multi-modal Architecture for Auscultation of Respiratory Diseases

arxiv url: http://arxiv.org/abs/2405.07442v2
Date: Fri, 7 Jun 2024 00:01:23 GMT
ステータス: 処理完了
システム内更新日: 2024-06-10 19:08:28.946344
Title: Rene: A Pre-trained Multi-modal Architecture for Auscultation of Respiratory Diseases
Title（参考訳）: Rene: 呼吸器疾患の鎮静のためのトレーニング済みマルチモーダルアーキテクチャ
Authors: Pengfei Zhang, Zhihang Zheng, Shichen Zhang, Minghao Yang, Shaojun Tang,
Abstract要約: 本稿では,呼吸音の認識に適した大規模モデルであるReneを紹介する。我々の革新的なアプローチは、事前訓練された音声認識モデルを用いて呼吸音を処理している。我々は,Reneアーキテクチャを用いた実時間呼吸音識別システムを開発した。
参考スコア（独自算出の注目度）: 5.810320353233697
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Compared with invasive examinations that require tissue sampling, respiratory sound testing is a non-invasive examination method that is safer and easier for patients to accept. In this study, we introduce Rene, a pioneering large-scale model tailored for respiratory sound recognition. Rene has been rigorously fine-tuned with an extensive dataset featuring a broad array of respiratory audio samples, targeting disease detection, sound pattern classification, and event identification. Our innovative approach applies a pre-trained speech recognition model to process respiratory sounds, augmented with patient medical records. The resulting multi-modal deep-learning framework addresses interpretability and real-time diagnostic challenges that have hindered previous respiratory-focused models. Benchmark comparisons reveal that Rene significantly outperforms existing models, achieving improvements of 10.27%, 16.15%, 15.29%, and 18.90% in respiratory event detection and audio classification on the SPRSound database. Disease prediction accuracy on the ICBHI database improved by 23% over the baseline in both mean average and harmonic scores. Moreover, we have developed a real-time respiratory sound discrimination system utilizing the Rene architecture. Employing state-of-the-art Edge AI technology, this system enables rapid and accurate responses for respiratory sound auscultation(https://github.com/zpforlove/Rene).
Abstract（参考訳）: 組織サンプリングを必要とする侵襲的な検査と比較すると、呼吸音検査は患者にとってより安全でより受け入れやすい非侵襲的な検査方法である。本研究では,呼吸音の認識に適した大規模モデルであるReneを紹介する。 Reneは、幅広い呼吸器オーディオサンプルを含む広範囲なデータセットで厳格に微調整され、疾患の検出、音響パターンの分類、イベントの識別をターゲットとしている。我々の革新的なアプローチは、患者の医療記録を付加した呼吸音の処理に事前訓練された音声認識モデルを適用した。結果として得られたマルチモーダルディープラーニングフレームワークは、従来の呼吸に焦点を当てたモデルを妨げる解釈可能性とリアルタイム診断の課題に対処する。ベンチマークの結果、レネは既存のモデルよりも大幅に優れており、10.27%、16.15%、15.29%、および18.90%の呼吸事象の検出とSPRSoundデータベースでの音声分類の改善を実現している。 ICBHIデータベース上の疾患予測精度は平均スコアとハーモニックスコアの両方でベースラインよりも23%向上した。さらに,Reneアーキテクチャを用いた実時間呼吸音識別システムを開発した。最先端のエッジAI技術を利用することで、呼吸音の聴取の迅速かつ正確な応答を可能にする(https://github.com/zpforlove/Rene)。

関連論文リスト

Towards Open Respiratory Acoustic Foundation Models: Pretraining and Benchmarking [27.708473070563013]
呼吸器オーディオは幅広い医療応用の予測力を持っているが、現在はまだ探索されていない。 OPERA(OPEn Respiratory Acoustic foundation model Pretraining and benchmarking system)を紹介する。
論文参考訳（メタデータ） (2024-06-23T16:04:26Z)
RepAugment: Input-Agnostic Representation-Level Augmentation for Respiratory Sound Classification [2.812716452984433]
本稿では,プレトレーニング音声モデルの呼吸音分類への応用について検討する。音声と肺の音響サンプルの間には特徴的ギャップがあり,このギャップを埋めるためには,データ拡張が不可欠である。入力に依存しない表現レベルの拡張手法であるRepAugmentを提案する。
論文参考訳（メタデータ） (2024-05-05T16:45:46Z)
Adversarial Fine-tuning using Generated Respiratory Sound to Address Class Imbalance [1.3686993145787067]
本稿では,条件付きニューラルボコーダとして音声拡散モデルを用いて,不均衡な呼吸音データを増やすための簡単なアプローチを提案する。また, 合成音と実呼吸音の特徴を整合させ, 呼吸音の分類性能を向上させるために, 簡易かつ効果的な対向微調整法を実証した。
論文参考訳（メタデータ） (2023-11-11T05:02:54Z)
SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文参考訳（メタデータ） (2023-10-03T05:05:35Z)
Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the Human Connectome Development Cohort [55.41644538483948]
本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
論文参考訳（メタデータ） (2023-07-03T18:06:36Z)
Patch-Mix Contrastive Learning with Audio Spectrogram Transformer on Respiratory Sound Classification [19.180927437627282]
本稿では,潜在空間における混合表現を識別するために,新規かつ効果的なパッチ・ミクス・コントラスト学習を提案する。提案手法はICBHIデータセット上での最先端性能を実現し,4.08%の改善により先行先行スコアを上回った。
論文参考訳（メタデータ） (2023-05-23T13:04:07Z)
Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文参考訳（メタデータ） (2023-03-14T16:03:28Z)
Investigation of Data Augmentation Techniques for Disordered Speech Recognition [69.50670302435174]
本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。正常な音声と無秩序な音声の両方が増強過程に利用された。 UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
論文参考訳（メタデータ） (2022-01-14T17:09:22Z)
Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文参考訳（メタデータ） (2020-12-29T01:14:17Z)
Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。コンピュータ支援診断システムは診断精度を向上させる可能性を示した。本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文参考訳（メタデータ） (2020-05-28T10:54:34Z)
Robust Deep Learning Framework For Predicting Respiratory Anomalies and Diseases [26.786743524562322]
本稿では,呼吸音の記録から呼吸器疾患を検出するための,堅牢な深層学習フレームワークを提案する。バックエンドのディープラーニングモデルは、特徴を呼吸器疾患または異常のクラスに分類する。 ICBHIベンチマークを用いて実験を行い, 音の分類能力を評価する。
論文参考訳（メタデータ） (2020-01-21T15:26:52Z)

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。