論文の概要: AACLiteNet: A Lightweight Model for Detection of Fine-Grained Abdominal Aortic Calcification
- arxiv url: http://arxiv.org/abs/2409.17203v1
- Date: Wed, 25 Sep 2024 15:21:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-01 07:32:01.057430
- Title: AACLiteNet: A Lightweight Model for Detection of Fine-Grained Abdominal Aortic Calcification
- Title（参考訳）: AACLiteNet : 微粒腹部大動脈石灰化診断のための軽量モデル
- Authors: Zaid Ilyas, Afsah Saleem, David Suter, Siobhan Reid, John Schousboe, William Leslie, Joshua Lewis, Syed Zulqarnain Gilani,
- Abstract要約: CVDは世界でも主要な死因であり、毎年1790万人が死亡している。
AACLiteNetは、粒度のAACスコアを高精度に予測する軽量なディープラーニングモデルである。
計算コストは19.88倍、メモリフットプリントは2.26倍である。
- 参考スコア（独自算出の注目度）: 10.764840806649284
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Cardiovascular Diseases (CVDs) are the leading cause of death worldwide, taking 17.9 million lives annually. Abdominal Aortic Calcification (AAC) is an established marker for CVD, which can be observed in lateral view Vertebral Fracture Assessment (VFA) scans, usually done for vertebral fracture detection. Early detection of AAC may help reduce the risk of developing clinical CVDs by encouraging preventive measures. Manual analysis of VFA scans for AAC measurement is time consuming and requires trained human assessors. Recently, efforts have been made to automate the process, however, the proposed models are either low in accuracy, lack granular level score prediction, or are too heavy in terms of inference time and memory footprint. Considering all these shortcomings of existing algorithms, we propose 'AACLiteNet', a lightweight deep learning model that predicts both cumulative and granular level AAC scores with high accuracy, and also has a low memory footprint, and computation cost (Floating Point Operations (FLOPs)). The AACLiteNet achieves a significantly improved one-vs-rest average accuracy of 85.94% as compared to the previous best 81.98%, with 19.88 times less computational cost and 2.26 times less memory footprint, making it implementable on portable computing devices.
- Abstract（参考訳）: 心臓血管疾患(CVD)は、毎年1億7900万人が死亡する主要な死因である。
腹部大動脈石灰化(AAC)はCVDの確立されたマーカーであり、椎体骨折の診断に通常行われるVFA(Valtebral Fracture Assessment)スキャンで観察できる。
AACの早期検出は、予防措置を奨励することにより、臨床CVDの発症リスクを減少させる可能性がある。
AAC測定のためのVFAスキャンの手動解析には時間を要する。
近年,プロセスの自動化が試みられているが,提案モデルでは精度が低く,スコアの粒度が不足しているか,推測時間やメモリフットプリントの面で重すぎるかのどちらかである。
既存のアルゴリズムの欠点をすべて考慮し, 累積と粒度の両方のAACスコアを高精度に予測し, メモリフットプリントが低く, 計算コストも低い軽量ディープラーニングモデルである「AACLiteNet」を提案する(浮動小数点演算)。
AACLiteNetは、前回の81.98%に比べて大幅に改善され、計算コストは19.88倍、メモリフットプリントは2.26倍となり、ポータブルコンピューティングデバイスで実装できる。
関連論文リスト
- Automated Prediction of Breast Cancer Response to Neoadjuvant Chemotherapy from DWI Data [2.321323878201932]
そこで本研究では,DWI腫瘍の自動分割のための「サイズ適応病変重み付け」を用いた深層学習モデルを提案する。
我々のモデルは、pCR予測における人間専門家と、曲線(AUC)の0.76対0.796の領域とを一致させ、NAC中の標準自動化手法を上回ります。
論文 参考訳（メタデータ） (2024-04-07T20:15:40Z) - Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。
本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。
LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
論文 参考訳（メタデータ） (2024-03-28T12:11:29Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - A Compact LSTM-SVM Fusion Model for Long-Duration Cardiovascular
Diseases Detection [0.0]
世界的には、心臓血管疾患(CVD)が主な死因であり、毎年1790万人が死亡している。
重要な臨床目的の1つは、心電図(ECG)データによるCVDの早期検出である。
機械学習とディープラーニングに基づく最近の進歩は、この分野において大きな進歩を遂げている。
論文 参考訳（メタデータ） (2023-11-20T10:57:11Z) - SCOL: Supervised Contrastive Ordinal Loss for Abdominal Aortic
Calcification Scoring on Vertebral Fracture Assessment Scans [12.062111043693543]
腹部大動脈石灰化症(AAC)は無症候性動脈硬化性心血管疾患(ASCVD)のマーカーとして知られている。
AACはDXA(Dual-Energy X-ray Absorptiometry)装置を用いて得られたVFAスキャンで観察できる。
本研究では,グローバルレベルとローカルレベルにおいて,対照的な順序表現を学習するDual-encoder Contrastive Ordinal Learningフレームワークを開発する。
論文 参考訳（メタデータ） (2023-07-22T07:36:14Z) - 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) - End-to-End Optimized Arrhythmia Detection Pipeline using Machine
Learning for Ultra-Edge Devices [0.0]
心房細動(AF)は世界中で最も多い不整脈であり、人口の2%が影響を受けている。
超最先端デバイスに展開可能な高精度のリアルタイム心房細動検出のための効率的なパイプラインを提案する。
論文 参考訳（メタデータ） (2021-11-23T11:06:27Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - 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) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z)
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。