論文の概要: Heart Failure Prediction using Modal Decomposition and Masked Autoencoders for Scarce Echocardiography Databases

• arxiv url: http://arxiv.org/abs/2504.07606v1
• Date: Thu, 10 Apr 2025 09:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 20:22:13.93969
• Title: Heart Failure Prediction using Modal Decomposition and Masked Autoencoders for Scarce Echocardiography Databases
• Title（参考訳）: 心エコー図データベースにおけるモード分解とマスク付きオートエンコーダによる心不全予測
• Authors: Andrés Bell-Navas, María Villalba-Orero, Enrique Lara-Pezzi, Jesús Garicano-Mena, Soledad Le Clainche,
• Abstract要約: 心臓病は国際的機能不全の主な原因である。 毎年約1800万人が心臓病で死亡している。 本研究では, 心不全の予測に難渋する課題に対して, リアルタイム心エコービデオシーケンスを解析する自動システムを提案する。
• 参考スコア（独自算出の注目度）: 2.149576637442132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heart diseases constitute the main cause of international human defunction. According to the World Health Organization (WHO), approximately 18 million deaths happen each year due to precisely heart diseases. In particular, heart failures (HF) press the healthcare industry to develop systems for their early, rapid and effective prediction. In this work, an automatic system which analyses in real-time echocardiography video sequences is proposed for the challenging and more specific task of prediction of heart failure times. This system is based on a novel deep learning framework, and works in two stages. The first one transforms the data included in a database of echocardiography video sequences into a machine learning-compatible collection of annotated images which can be used in the training phase of any kind of machine learning-based framework, including a deep learning one. This initial stage includes the use of the Higher Order Dynamic Mode Decomposition (HODMD) algorithm for both data augmentation and feature extraction. The second stage is focused on building and training a Vision Transformer (ViT). Self-supervised learning (SSL) methods, which have been so far barely explored in the literature about heart failure prediction, are applied to effectively train the ViT from scratch, even with scarce databases of echocardiograms. The designed neural network analyses images from echocardiography sequences to estimate the time in which a heart failure will happen. The results obtained show the efficacy of the HODMD algorithm and the superiority of the proposed system with respect to several established ViT and Convolutional Neural Network (CNN) architectures.
• Abstract（参考訳）: 心臓病は国際的機能不全の主な原因である。 世界保健機関(WHO)によると、毎年約1800万人が心臓病のために死亡している。 特に、心臓不全(HF)は、早期、迅速、効果的な予測のためのシステム開発を医療業界に促す。 本研究では, 心不全の予測に難渋する課題に対して, リアルタイム心エコービデオシーケンスを解析する自動システムを提案する。 このシステムは、新しいディープラーニングフレームワークに基づいており、2段階で動作する。 1つ目は、心エコー画像シーケンスのデータベースに含まれるデータから、ディープラーニングを含むあらゆる機械学習ベースのフレームワークのトレーニングフェーズで使用できる、アノテーション付き画像の機械学習互換のコレクションに変換する。 この初期段階では、データ拡張と特徴抽出の両方に高次動的モード分解(HODMD)アルゴリズムが使用される。 第2段階はViT(Vision Transformer)の構築とトレーニングに重点を置いている。 自己教師あり学習法(SSL)は、心不全予測に関する文献でほとんど研究されていないが、心エコー図の少ないデータベースでさえも、ViTをスクラッチから効果的に訓練するために応用されている。 設計されたニューラルネットワークは、心エコー画像から画像を分析し、心不全が起こる時間を推定する。 その結果,HODMDアルゴリズムの有効性と提案方式の優位性を,いくつかの確立されたViTおよび畳み込みニューラルネットワーク(CNN)アーキテクチャに対して示すことができた。

関連論文リスト

• EchoWorld: Learning Motion-Aware World Models for Echocardiography Probe Guidance [79.66329903007869]
  本稿では,プローブ誘導のためのモーションアウェアな世界モデリングフレームワークであるEchoWorldを紹介する。 解剖学的な知識と運動によって引き起こされる視覚力学を符号化する。 200以上の定期的なスキャンから100万枚以上の超音波画像で訓練されている。
  論文  参考訳（メタデータ） (2025-04-17T16:19:05Z)
• CACTUS: An Open Dataset and Framework for Automated Cardiac Assessment and Classification of Ultrasound Images Using Deep Transfer Learning [14.284404065445012]
  本稿では,2つの主要コンポーネントからなるディープラーニング(DL)フレームワークを紹介する。 第1成分は、畳み込みニューラルネットワーク(CNN)を用いた心臓のUS画像の分類である。 第2のコンポーネントは、Transfer Learning(TL)を使用して、第1のコンポーネントから知識を微調整し、心臓画像のグレードと評価のためのモデルを作成する。
  論文  参考訳（メタデータ） (2025-03-07T17:29:04Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• Sequence-aware Pre-training for Echocardiography Probe Guidance [66.35766658717205]
  心臓超音波は、(1)心臓の本質的に複雑な構造、(2)重要な個人差の2つの大きな課題に直面している。 これまでの研究は、心臓のパーソナライズされた構造的特徴よりも、心臓の2Dおよび3Dの人口平均構造についてしか学ばなかった。 パーソナライズされた2次元と3次元の心構造特徴を学習するためのシーケンス認識型自己教師付き事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
  短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。 新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。 DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
  論文  参考訳（メタデータ） (2024-07-25T13:27:10Z)
• Automatic Cardiac Pathology Recognition in Echocardiography Images Using Higher Order Dynamic Mode Decomposition and a Vision Transformer for Small Datasets [2.0286377328378737]
  心臓病は、人間の機能不全の主な原因だ。WHOによると、心臓病のために毎年約1800万人が死亡している。 本研究では,新しい深層学習フレームワークに基づく自動心臓病理診断システムを提案する。
  論文  参考訳（メタデータ） (2024-04-30T14:16:45Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• Hierarchical Deep Learning with Generative Adversarial Network for Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
  本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。 第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。 第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
  論文  参考訳（メタデータ） (2022-10-19T12:29:05Z)
• ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional Neural Networks [9.410102957429705]
  本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。 我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。 実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-18T14:55:46Z)
• Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
  本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。 第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。 第2段階は、心拍を幅または幅に分類する分類NNである。 第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
  論文  参考訳（メタデータ） (2020-11-17T16:15:49Z)

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。