論文の概要: Automated Romberg Test: Leveraging a CNN and Centre of Mass Analysis for Sensory Ataxia Diagnosis
- arxiv url: http://arxiv.org/abs/2408.06354v1
- Date: Thu, 25 Jul 2024 08:30:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 03:57:10.751771
- Title: Automated Romberg Test: Leveraging a CNN and Centre of Mass Analysis for Sensory Ataxia Diagnosis
- Title（参考訳）: Romberg自動検査:CNNの活用と感覚失調症診断のための質量分析センター
- Authors: Reilly Haskins, Richard Green,
- Abstract要約: 本稿では,ロームバーグ自動検査により感覚失調症を診断する新しい手法を提案する。
畳み込みニューラルネットワークを用いて関節位置を予測し、様々な生体力学的マーカーの計算に使用される。
計算された相対重量分布差の平均絶対誤差は0.2912%であり、診断では83.33パーセントの精度が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a novel method to diagnose sensory ataxia via an automated Romberg Test - the current de facto medical procedure used to diagnose this condition. It utilizes a convolutional neural network to predict joint locations, used for the calculation of various bio-mechanical markers such as the center of mass of the subject and various joint angles. This information is used in combination with data filtering techniques such as Kalman Filters, and center of mass analysis which helped make accurate inferences about the relative weight distribution in the lateral and anterior-posterior axes, and provide an objective, mathematically based diagnosis of this condition. In order to evaluate the performance of this method, testing was performed using dual weight scales and pre-annotated diagnosis videos taken from medical settings. These two methods both quantified the veritable weight distribution upon the ground surface with a ground truth and provided a real-world estimate of accuracy for the proposed method. A mean absolute error of 0.2912 percent was found for the calculated relative weight distribution difference, and an accuracy of 83.33 percent was achieved on diagnoses.
- Abstract（参考訳）: 本稿では,ロムベルグ自動検査を用いて感覚失調症を診断する新しい方法を提案する。
畳み込みニューラルネットワークを用いて関節位置を予測し、被験者の質量の中心や様々な関節角度などの生体力学的マーカーの計算に使用される。
この情報は、カルマンフィルタのようなデータフィルタリング技術や、横軸と前方軸の相対重み分布に関する正確な推測を助ける質量分析の中心と組み合わせて用いられる。
本手法の性能を評価するため,医療現場から得られた二重体重計と事前診断ビデオを用いて実験を行った。
これらの2つの手法は, 地表面上の検証可能な重量分布の定量化と, 提案手法の精度評価を行った。
計算された相対重量分布差の平均絶対誤差は0.2912%であり、診断では83.33パーセントの精度が得られた。
関連論文リスト
- Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - An Improved Heart Disease Prediction Using Stacked Ensemble Method [0.9187159782788579]
機械学習を用いた心疾患予測システムを構築した。
心臓疾患のある人と正常な人とを簡単に区別することができる。
論文 参考訳（メタデータ） (2023-04-12T17:53:59Z) - Identifying Suspicious Regions of Covid-19 by Abnormality-Sensitive
Activation Mapping [2.009597557771957]
本稿では, 胸部CT上における新型コロナウイルス(COVID-19)の疑わしい部位の同定を完全自動で行う方法を提案する。
2.5次元CNNと3次元アテンション機構を用いた分類タスクによる識別手法を実現する。
提案されたアーキテクチャはすべてのデータセットに対して0.900以上のAUCを達成し、感度は0.853 pm 0.036$、特異性は0.870 pm 0.040$である。
論文 参考訳（メタデータ） (2023-03-27T03:22:25Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - Post-hoc Interpretability based Parameter Selection for Data Oriented
Nuclear Reactor Accident Diagnosis System [0.0]
本研究では, 深層学習におけるポストホック解釈可能性理論を用いて, 原子力プラントの熱水理パラメータの選択法を提案する。
TRES-CNNに基づく診断モデルは,HPR1000の選択した15のパラメータを用いて,LOCAの破断の位置と大きさを正確に予測する。
論文 参考訳（メタデータ） (2022-08-03T01:53:11Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Segmentation-free Estimation of Aortic Diameters from MRI Using Deep
Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。
提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。
全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文 参考訳（メタデータ） (2020-09-09T18:28:00Z) - Automated machine vision enabled detection of movement disorders from
hand drawn spirals [0.0]
本研究は、スキャンされたペンと紙の描画と畳み込みニューラルネットワーク(CNN)を用いて、パーキンソン病(PD)と本態性震動(ET)の分類を行う。
PDのコントロールによる識別精度は98.2%であった。
ETおよびコントロールからのPDの判別精度は92%であった。
論文 参考訳（メタデータ） (2020-06-22T10:21:51Z)
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。