論文の概要: FunnelNet: An End-to-End Deep Learning Framework to Monitor Digital Heart Murmur in Real-Time
- arxiv url: http://arxiv.org/abs/2405.09570v1
- Date: Fri, 10 May 2024 03:12:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-17 18:06:04.754858
- Title: FunnelNet: An End-to-End Deep Learning Framework to Monitor Digital Heart Murmur in Real-Time
- Title（参考訳）: FunnelNet: リアルタイムにデジタル心室をモニタリングするエンドツーエンドのディープラーニングフレームワーク
- Authors: Md Jobayer, Md. Mehedi Hasan Shawon, Md Rakibul Hasan, Shreya Ghosh, Tom Gedeon, Md Zakir Hossain,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.408260756721024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Heart murmurs are abnormal sounds caused by turbulent blood flow within the heart. Several diagnostic methods are available to detect heart murmurs and their severity, such as cardiac auscultation, echocardiography, phonocardiogram (PCG), etc. However, these methods have limitations, including extensive training and experience among healthcare providers, cost and accessibility of echocardiography, as well as noise interference and PCG data processing. This study aims to develop a novel end-to-end real-time heart murmur detection approach using traditional and depthwise separable convolutional networks. Methods: Continuous wavelet transform (CWT) was applied to extract meaningful features from the PCG data. The proposed network has three parts: the Squeeze net, the Bottleneck, and the Expansion net. The Squeeze net generates a compressed data representation, whereas the Bottleneck layer reduces computational complexity using a depthwise-separable convolutional network. The Expansion net is responsible for up-sampling the compressed data to a higher dimension, capturing tiny details of the representative data. Results: For evaluation, we used four publicly available datasets and achieved state-of-the-art performance in all datasets. Furthermore, we tested our proposed network on two resource-constrained devices: a Raspberry PI and an Android device, stripping it down into a tiny machine learning model (TinyML), achieving a maximum of 99.70%. Conclusion: The proposed model offers a deep learning framework for real-time accurate heart murmur detection within limited resources. Significance: It will significantly result in more accessible and practical medical services and reduced diagnosis time to assist medical professionals. The code is publicly available at TBA.
- Abstract（参考訳）: 目的:心臓の大腿骨は心臓内の乱流によって引き起こされる異常な音である。
心エコー法、心エコー法、心電図(PCG)など、いくつかの診断方法により、心室とその重症度を検出することができる。
しかし、これらの手法には、医療提供者間の広範なトレーニングや経験、心エコー検査のコストとアクセシビリティ、ノイズ干渉やPCGデータ処理などの制限がある。
本研究の目的は,従来型および深部分離型畳み込みネットワークを用いた,エンドツーエンドのリアルタイム心室検出手法を開発することである。
方法:PCGデータから意味のある特徴を抽出するために連続ウェーブレット変換(CWT)を適用した。
提案されたネットワークには、Squeeze net、Bottleneck、Expansion netの3つの部分がある。
Squeezenetは圧縮されたデータ表現を生成するが、Bottleneck層は深度的に分離可能な畳み込みネットワークを用いて計算複雑性を低減する。
拡張ネットは圧縮されたデータを高次元にアップサンプリングし、代表データの小さな詳細をキャプチャする。
結果: 評価には4つの公開データセットを使用し,すべてのデータセットで最先端のパフォーマンスを達成した。
さらに、提案したネットワークを、Raspberry PIとAndroidデバイスという2つのリソース制約されたデバイス上でテストし、それを小さな機械学習モデル(TinyML)に切り離し、最大99.70%を実現した。
結論:提案モデルでは,限られたリソース内でリアルタイムに正確な心臓骨折検出を行うためのディープラーニングフレームワークを提供する。
意義:医療従事者を支援するために、よりアクセシブルで実用的な医療サービスと診断時間を短縮する。
コードはTBAで公開されている。
関連論文リスト
- Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI [23.142320453773696]
ダイナミックMRI(Dynamic MRI)は心臓の診断に不可欠である。
高速撮像を実現するため、k空間データをアンサンプできるが、画像再構成は高次元処理の大きな課題となる。
本研究は,高度に制限された学習データでも優れた次元再現型分離学習手法を応用した,新規で効率的な手法を提案する。
論文 参考訳（メタデータ） (2024-02-24T23:56:15Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep
Imaging Ultrasound [1.2903292694072621]
ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。
本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
論文 参考訳（メタデータ） (2023-11-17T20:32:37Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - 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) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Designing ECG Monitoring Healthcare System with Federated Transfer
Learning and Explainable AI [4.694126527114577]
我々は、ECGベースの医療アプリケーションのための連合環境で、新しい説明可能な人工知能(XAI)ベースのディープラーニングフレームワークを設計する。
提案したフレームワークは、MIT-BIH Arrhythmiaデータベースを使用してトレーニングされ、テストされた。
論文 参考訳（メタデータ） (2021-05-26T11:59:44Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - DeU-Net: Deformable U-Net for 3D Cardiac MRI Video Segmentation [16.85475295093217]
心電図3次元画像からの時間的情報を完全に活用する新しいデフォルマブルU-Netを提案する。
意味のある特徴を集約するために、変形可能な注意U-Netを用いてDGPAネットワークを考案する。
実験結果から,我々のDeU-Netは,一般的に使用されている評価指標の最先端性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-07-13T12:19:03Z) - AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching [76.4844593082362]
既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
論文 参考訳（メタデータ） (2020-04-26T05:43:21Z)
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。