論文の概要: MA^2: A Self-Supervised and Motion Augmenting Autoencoder for Gait-Based Automatic Disease Detection

• arxiv url: http://arxiv.org/abs/2411.03129v1
• Date: Tue, 05 Nov 2024 14:21:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:58:54.736896
• Title: MA^2: A Self-Supervised and Motion Augmenting Autoencoder for Gait-Based Automatic Disease Detection
• Title（参考訳）: MA^2:歩行に基づく自動疾患検出のための自己監督・運動増強オートエンコーダ
• Authors: Yiqun Liu, Ke Zhang, Yin Zhu,
• Abstract要約: グラウンド・リアクション・フォース(英語: Ground reaction force、GRF)は、グラウンドが物体に接触して働く力である。 GRFをベースとした自動疾患検出(ADD)が,新たな診断方法となった。
• 参考スコア（独自算出の注目度）: 7.483446634501235
• License:
• Abstract: Ground reaction force (GRF) is the force exerted by the ground on a body in contact with it. GRF-based automatic disease detection (ADD) has become an emerging medical diagnosis method, which aims to learn and identify disease patterns corresponding to different gait pressures based on deep learning methods. Although existing ADD methods can save doctors time in making diagnoses, training deep models still struggles with the cost caused by the labeling engineering for a large number of gait diagnostic data for subjects. On the other hand, the accuracy of the deep model under the unified benchmark GRF dataset and the generalization ability on scalable gait datasets need to be further improved. To address these issues, we propose MA2, a GRF-based self-supervised and motion augmenting auto-encoder, which models the ADD task as an encoder-decoder paradigm. In the encoder, we introduce an embedding block including the 3-layer 1D convolution for extracting the token and a mask generator to randomly mask out the sequence of tokens to maximize the model's potential to capture high-level, discriminative, intrinsic representations. whereafter, the decoder utilizes this information to reconstruct the pixel sequence of the origin input and calculate the reconstruction loss to optimize the network. Moreover, the backbone of an auto-encoder is multi-head self-attention that can consider the global information of the token from the input, not just the local neighborhood. This allows the model to capture generalized contextual information. Extensive experiments demonstrate MA2 has SOTA performance of 90.91% accuracy on 1% limited pathological GRF samples with labels, and good generalization ability of 78.57% accuracy on scalable Parkinson disease dataset.
• Abstract（参考訳）: グラウンド・リアクション・フォース(英語: Ground reaction force、GRF)は、グラウンドが物体に接触して働く力である。 GRFに基づく自動疾患検出(ADD)は、深層学習法に基づいて、歩行圧に応じた疾患パターンを学習し、同定することを目的とした、新たな医療診断法である。 既存のADD法は医師が診断を行うのに時間を節約できるが、深層モデルのトレーニングは、多くの被験者の歩行診断データに対するラベル付け技術によるコストに苦慮している。 一方、統一ベンチマークGRFデータセットに基づくディープモデルの精度と、スケーラブルな歩行データセットにおける一般化能力をさらに改善する必要がある。 これらの問題に対処するため、我々は、ADDタスクをエンコーダ-デコーダパラダイムとしてモデル化した、GRFベースの自己監督および運動増強自動エンコーダMA2を提案する。 エンコーダでは,トークンを抽出する3層1D畳み込みと,トークンの列をランダムにマスクするマスク生成器とを含む埋め込みブロックを導入し,高いレベル,差別的,本質的な表現を捕捉するモデルのポテンシャルを最大化する。 その後、デコーダは、この情報を利用して、原点入力の画素シーケンスを再構成し、再構成損失を計算してネットワークを最適化する。 さらに、オートエンコーダのバックボーンはマルチヘッド自己アテンションであり、ローカル近傍だけでなく、入力からトークンのグローバルな情報を考えることができる。 これにより、モデルは一般化されたコンテキスト情報をキャプチャできる。 大規模な実験により、MA2は、ラベル付き1%の制限された病理GRFサンプルに対して90.91%の精度でSOTA性能を示し、スケーラブルなパーキンソン病データセットに対して78.57%の精度で優れた一般化能力を示した。

関連論文リスト

• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• An Explainable Deep Learning-Based Method For Schizophrenia Diagnosis Using Generative Data-Augmentation [0.3222802562733786]
  脳波記録を用いた統合失調症の自動診断にディープラーニングを用いた手法を応用した。 このアプローチは、診断の精度を高める強力な手法である生成データ拡張を利用する。
  論文  参考訳（メタデータ） (2023-10-25T12:55:16Z)
• 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)
• Key-Exchange Convolutional Auto-Encoder for Data Augmentation in Early Knee OsteoArthritis Classification [9.400820679110147]
  膝骨関節炎(KOA)は高齢者の移動を損なう筋骨格疾患である。 畳み込み型オートエンコーダに基づく学習モデルと,KOA早期診断のための新たなデータを生成するハイブリッド損失戦略を提案する。
  論文  参考訳（メタデータ） (2023-02-26T15:45:19Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
  集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。 Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。 提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
  論文  参考訳（メタデータ） (2022-07-21T22:17:21Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• TransICD: Transformer Based Code-wise Attention Model for Explainable ICD Coding [5.273190477622007]
  国際疾患分類法 (ICD) は, 医療分野の請求システムにおいて有効かつ重要であることが示されている。 現在、ICDコードは手動で臨床メモに割り当てられており、多くのエラーを引き起こす可能性がある。 本稿では,文書のトークン間の相互依存を捉えるためにトランスフォーマーベースのアーキテクチャを適用し,コードワイド・アテンション・メカニズムを用いて文書全体のコード固有表現を学習する。
  論文  参考訳（メタデータ） (2021-03-28T05:34:32Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Self-Organizing Map assisted Deep Autoencoding Gaussian Mixture Model for Intrusion Detection [5.816369205244904]
  自己組織化マップを用いた深部自己符号化ガウス混合モデル(SOMDAGMM)を提案する。 我々は,SOM-DAGMMがすべての試験において最先端のDAGMMより優れ,F1スコアが最大15.58%向上し,安定性が向上したことを示す。
  論文  参考訳（メタデータ） (2020-08-28T14:41:18Z)

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。