論文の概要: Advancing Newborn Care: Precise Birth Time Detection Using AI-Driven Thermal Imaging with Adaptive Normalization
- arxiv url: http://arxiv.org/abs/2410.10483v1
- Date: Mon, 14 Oct 2024 13:20:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-29 21:24:58.618496
- Title: Advancing Newborn Care: Precise Birth Time Detection Using AI-Driven Thermal Imaging with Adaptive Normalization
- Title（参考訳）: 順応的正規化を用いたAI駆動型熱画像を用いた新生児ケアの精密出生時検出
- Authors: Jorge García-Torres, Øyvind Meinich-Bache, Anders Johannessen, Siren Rettedal, Vilde Kolstad, Kjersti Engan,
- Abstract要約: 本稿では,人工知能(AI)とサーマルイメージングの融合について検討し,第1次AI駆動型バース検出器の開発について述べる。
まず,ガウス混合モデル(GMM)に基づく適応正規化手法を提案し,温度変動に関する問題を緩和する。
熱フレーム内での新生児の検出において、88.1%の精度と89.3%のリコールが報告されている。
- 参考スコア（独自算出の注目度）: 1.101731711817642
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Around 5-10\% of newborns need assistance to start breathing. Currently, there is a lack of evidence-based research, objective data collection, and opportunities for learning from real newborn resuscitation emergency events. Generating and evaluating automated newborn resuscitation algorithm activity timelines relative to the Time of Birth (ToB) offers a promising opportunity to enhance newborn care practices. Given the importance of prompt resuscitation interventions within the "golden minute" after birth, having an accurate ToB with second precision is essential for effective subsequent analysis of newborn resuscitation episodes. Instead, ToB is generally registered manually, often with minute precision, making the process inefficient and susceptible to error and imprecision. In this work, we explore the fusion of Artificial Intelligence (AI) and thermal imaging to develop the first AI-driven ToB detector. The use of temperature information offers a promising alternative to detect the newborn while respecting the privacy of healthcare providers and mothers. However, the frequent inconsistencies in thermal measurements, especially in a multi-camera setup, make normalization strategies critical. Our methodology involves a three-step process: first, we propose an adaptive normalization method based on Gaussian mixture models (GMM) to mitigate issues related to temperature variations; second, we implement and deploy an AI model to detect the presence of the newborn within the thermal video frames; and third, we evaluate and post-process the model's predictions to estimate the ToB. A precision of 88.1\% and a recall of 89.3\% are reported in the detection of the newborn within thermal frames during performance evaluation. Our approach achieves an absolute median deviation of 2.7 seconds in estimating the ToB relative to the manual annotations.
- Abstract（参考訳）: 新生児の約5～10 %は呼吸を始めるのに補助が必要である。
現在、エビデンスに基づく研究、客観的データ収集、および本当の新生児蘇生緊急イベントから学ぶ機会の欠如がある。
Time of Birth (ToB)に対する自動新生児蘇生アルゴリズムのアクティビティタイムラインの生成と評価は、新生児ケアの実践を強化するための有望な機会を提供する。
出生直後の「黄金分」における即時蘇生介入の重要性を考えると、第2の精度の正確なToBは、新生児蘇生エピソードの効果的な分析に不可欠である。
代わりに、ToBは一般に手動で登録され、しばしば微小な精度で登録される。
本研究では,人工知能(AI)とサーマルイメージングの融合を探求し,AI駆動型ToB検出器を開発した。
温度情報の利用は、医療提供者や母親のプライバシーを尊重しながら新生児を検出するための有望な代替手段を提供する。
しかし、特にマルチカメラ装置における熱測定の不整合は、正規化戦略を重要視している。
まず、温度変動に関連する問題を緩和するため、ガウス混合モデル(GMM)に基づく適応正規化手法を提案し、次に、熱ビデオフレーム内の新生児の存在を検出するためにAIモデルを実装、デプロイし、第3に、モデルの予測を評価、後処理し、ToBを推定する。
熱フレーム内での新生児の検出において,88.1\%の精度と89.3\%のリコールが報告された。
提案手法は手動のアノテーションに対するToBの推定において,絶対的な2.7秒の偏差を実現する。
関連論文リスト
- Comparison of marker-less 2D image-based methods for infant pose estimation [2.7726930707973048]
GMA(General Movement Assessment)は、乳児運動機能(英語版)を分類するためのビデオベースのツールである。
一般用および幼児用推定器の性能と最適な記録のための視角の選択を比較した。
以上の結果から,成人のViTPoseを訓練する上で,最も優れた行動モデルが幼児の行動に有効であることが示唆された。
論文 参考訳（メタデータ） (2024-10-07T12:21:49Z) - Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。
HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。
その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
論文 参考訳（メタデータ） (2024-09-16T18:00:00Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - An Improved Model Ensembled of Different Hyper-parameter Tuned Machine
Learning Algorithms for Fetal Health Prediction [1.332560004325655]
本研究では,胎児の健康状態を予測するために,Support Vector MachineとExtraTreesのアンサンブルと呼ばれる頑健なアンサンブルモデルを提案する。
提案したETSEモデルは、100%精度、100%リコール、100%F1スコア、99.66%精度で他のモデルより優れていた。
論文 参考訳（メタデータ） (2023-05-26T16:40:44Z) - Activity Recognition From Newborn Resuscitation Videos [3.54339629317433]
タンザニアのヘイドムで、ビデオを含む新生児の蘇生中に記録された信号のデータセットが収集された。
新生児の蘇生時に活動認識を行うための2段階のディープニューラルネットワークシステムORAA-netを提案する。
このシステムは、新生児の活動、刺激、換気、吸引を平均精度77.67 %、平均リコール77,64 %、平均精度92.40 %と認識した。
論文 参考訳（メタデータ） (2023-03-14T11:04:32Z) - Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep
Learning Model [0.0]
我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。
我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
論文 参考訳（メタデータ） (2022-11-16T11:15:23Z) - Automated Classification of General Movements in Infants Using a
Two-stream Spatiotemporal Fusion Network [5.541644538483947]
幼児の全身運動(GM)の評価は神経発達障害の早期診断に有用である。
近年、ビデオベースのGM分類が注目されているが、これは無関係な情報の影響を強く受けている。
不要な背景情報を除去する前処理ネットワークからなる自動GM分類法を提案する。
論文 参考訳（メタデータ） (2022-07-04T05:21:09Z) - Posterior temperature optimized Bayesian models for inverse problems in
medical imaging [59.82184400837329]
本研究は, 医用画像における逆問題に対する非教師的ベイズ的アプローチである。
最適化後温度が精度の向上と不確実性評価に繋がることを示す。
ソースコードは calibrated.com/Cardio-AI/mfvi-dip-mia で公開されています。
論文 参考訳（メタデータ） (2022-02-02T12:16:33Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - 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)
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。