論文の概要: Stroke classification using Virtual Hybrid Edge Detection from in silico electrical impedance tomography data

• arxiv url: http://arxiv.org/abs/2501.14704v1
• Date: Fri, 24 Jan 2025 18:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:55:50.783654
• Title: Stroke classification using Virtual Hybrid Edge Detection from in silico electrical impedance tomography data
• Title（参考訳）: シリコンインピーダンストモグラフィーデータからの仮想ハイブリッドエッジ検出によるストローク分類
• Authors: Juan Pablo Agnelli, Fernando S. Moura, Siiri Rautio, Melody Alsaker, Rashmi Murthy, Matti Lassas, Samuli Siltanen,
• Abstract要約: 電気インピーダンストモグラフィ(EIT)は、身体の内部伝導性を回復する非侵襲的なイメージング法である。 これまでのほとんどの研究では、生のEIT電圧データをネットワーク入力として使用していた。 本稿では,VHED関数をネットワーク入力として使用することを提案する。
• 参考スコア（独自算出の注目度）: 37.94947316140192
• License:
• Abstract: Electrical impedance tomography (EIT) is a non-invasive imaging method for recovering the internal conductivity of a physical body from electric boundary measurements. EIT combined with machine learning has shown promise for the classification of strokes. However, most previous works have used raw EIT voltage data as network inputs. We build upon a recent development which suggested the use of special noise-robust Virtual Hybrid Edge Detection (VHED) functions as network inputs, although that work used only highly simplified and mathematically ideal models. In this work we strengthen the case for the use of EIT, and VHED functions especially, for stroke classification. We design models with high detail and mathematical realism to test the use of VHED functions as inputs. Virtual patients are created using a physically detailed 2D head model which includes features known to create challenges in real-world imaging scenarios. Conductivity values are drawn from statistically realistic distributions, and phantoms are afflicted with either hemorrhagic or ischemic strokes of various shapes and sizes. Simulated noisy EIT electrode data, generated using the realistic Complete Electrode Model (CEM) as opposed to the mathematically ideal continuum model, is processed to obtain VHED functions. We compare the use of VHED functions as inputs against the alternative paradigm of using raw EIT voltages. Our results show that (i) stroke classification can be performed with high accuracy using 2D EIT data from physically detailed and mathematically realistic models, and (ii) in the presence of noise, VHED functions outperform raw data as network inputs.
• Abstract（参考訳）: 電気インピーダンストモグラフィ(EIT)は、身体の内部伝導率を電気的境界測定から回収する非侵襲的イメージング法である。 EITと機械学習を組み合わせることで、ストロークの分類が約束されている。 しかし、これまでのほとんどの研究では、生のEIT電圧データをネットワーク入力として使用していた。 我々は,高度に単純化された数学的に理想的なモデルのみを用いているにもかかわらず,VHED関数をネットワーク入力として用いることを示唆する最近の研究を基盤にしている。 本研究では、特に脳卒中分類におけるEITとVHED関数の使用例を強化する。 我々は、VHED関数を入力として使用することをテストするために、高精細かつ数学的リアリズムを持つモデルを設計する。 仮想患者は、物理的に詳細な2Dヘッドモデルを使用して作成される。 伝導度値は統計的に現実的な分布から引き出され、ファントムは様々な形状や大きさの出血性脳卒中または虚血性脳卒中によって引き起こされる。 数学的に理想的な連続体モデルとは対照的に, 現実的完全電極モデル(CEM)を用いて生成したシミュレートノイズEIT電極データを処理し, VHED関数を得る。 本稿では,VHED関数を入力として,生のEIT電圧を使用する代替パラダイムと比較する。 私たちの結果は (i)脳卒中分類は、物理的に詳細で数学的に現実的なモデルから得られた2D EITデータを用いて高精度に行うことができ、 (II)ノイズの存在下では、VHED関数はネットワーク入力として生データより優れる。

関連論文リスト

• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• TEE4EHR: Transformer Event Encoder for Better Representation Learning in Electronic Health Records [4.385313487148474]
  電子健康記録(EHR)における時系列の非規則サンプリングは、機械学習モデルを開発する上での大きな課題の1つである。 本稿では,EHRにおける実験結果のパターンを符号化する点過程損失を有する変圧器イベントエンコーダ(TEE)を提案する。 自己教師付き学習アプローチでは、TEEは既存の注目ベースのディープニューラルネットワークと共同で学習される。
  論文  参考訳（メタデータ） (2024-02-09T12:19:06Z)
• Enhancing ML model accuracy for Digital VLSI circuits using diffusion models: A study on synthetic data generation [0.5363664265121232]
  本研究では,電子回路の人工データ生成における拡散モデルの利用について検討した。 我々は,22nmCMOS技術ノードを用いたHSPICE設計環境におけるシミュレーションを用いて,提案した拡散モデルのための代表的実時間トレーニングデータを得る。
  論文  参考訳（メタデータ） (2023-10-15T14:20:09Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• A transfer learning enhanced the physics-informed neural network model for vortex-induced vibration [0.0]
  本稿では、VIV(2D)を研究するために、物理インフォームドニューラルネットワーク(PINN)モデルを用いたトランスファーラーニングを提案する。 物理インフォームドニューラルネットワークは、転送学習法と併用することにより、学習効率を高め、大量のデータセットを必要とせずに、ソースモデルからの共通特性知識による目標タスクの予測可能性を維持する。
  論文  参考訳（メタデータ） (2021-12-29T08:20:23Z)
• Neural networks for classification of strokes in electrical impedance tomography on a 3D head model [0.0]
  我々は、出血性脳卒中と虚血性脳梗塞の分類のために、2つのニューラルネットワークアーキテクチャー、完全に接続されたアーキテクチャと畳み込みアーキテクチャーを使用します。 それらのネットワークは、合成電極測定の4万ドルのサンプルを持つデータセットで訓練されている。 次に、より複雑なストロークモデルを用いて、見えないEITデータのいくつかのデータセット上でネットワークをテストする。
  論文  参考訳（メタデータ） (2020-11-05T14:22:05Z)
• Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep Generative Models [13.56090099952884]
  本稿では、感情認識モデルの性能を高めるために、脳波トレーニングデータを増強する3つの方法を提案する。 フル利用戦略では、生成されたすべてのデータが、生成されたデータの品質を判断することなく、トレーニングデータセットに拡張される。 実験結果から,脳波を用いた感情認識モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2020-06-04T21:23:09Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。