論文の概要: AI-Driven SEEG Channel Ranking for Epileptogenic Zone Localization

• arxiv url: http://arxiv.org/abs/2506.09255v1
• Date: Fri, 23 May 2025 19:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.084681
• Title: AI-Driven SEEG Channel Ranking for Epileptogenic Zone Localization
• Title（参考訳）: Epileptogenic Zone LocalizationのためのAI駆動SEEGチャネルランキング
• Authors: Saeed Hashemi, Genchang Peng, Mehrdad Nourani, Omar Nofal, Jay Harvey,
• Abstract要約: 本稿では,臨床医の選択と計算的発見を取り入れて,影響のあるチャネルをランク付けする機械学習手法を提案する。 XGBoostを用いた分類モデルを訓練し,不特定期間に各チャネルの異種特徴を学習する。 また、探索空間を拡大し、不審なてんかん原性領域を特定するためのチャネル拡張戦略も組み込まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stereo-electroencephalography (SEEG) is an invasive technique to implant depth electrodes and collect data for pre-surgery evaluation. Visual inspection of signals recorded from hundreds of channels is time consuming and inefficient. We propose a machine learning approach to rank the impactful channels by incorporating clinician's selection and computational finding. A classification model using XGBoost is trained to learn the discriminative features of each channel during ictal periods. Then, the SHapley Additive exPlanations (SHAP) scoring is utilized to rank SEEG channels based on their contribution to seizures. A channel extension strategy is also incorporated to expand the search space and identify suspicious epileptogenic zones beyond those selected by clinicians. For validation, SEEG data for five patients were analyzed showing promising results in terms of accuracy, consistency, and explainability.
• Abstract（参考訳）: Stereo-electroencephalography (SEEG) は、深部電極を移植し、手術前評価のためのデータを収集するための侵襲的手法である。 何百ものチャンネルから記録された信号の視覚的検査は、時間がかかり非効率である。 本稿では,臨床医の選択と計算的発見を取り入れて,影響のあるチャネルをランク付けする機械学習手法を提案する。 XGBoost を用いた分類モデルを訓練し,各チャネルの識別的特徴を時間帯に学習する。 次に、Shapley Additive exPlanations(SHAP)スコアを用いて、発作に対する貢献に基づいてSEEGチャンネルのランク付けを行う。 また, サーチスペースを拡大し, 臨床医が選択した以上の不審なてんかん原性領域を同定するために, チャネル拡張戦略が組み込まれている。 5例のSEEGデータから, 精度, 一貫性, 説明可能性について有望な結果が得られた。

関連論文リスト

• Nested Deep Learning Model Towards A Foundation Model for Brain Signal Data [12.98830356097411]
  てんかんは全世界で約5000万人に影響を及ぼす。 脳磁図(MEG)に基づくスパイク検出は、診断と治療において重要な役割を担っている。 難易度を高めるため、様々なアルゴリズムアプローチが開発されている。 これらの制限を克服するために、新しいNested Deep Learning(NDL)フレームワークが提案されている。
  論文  参考訳（メタデータ） (2024-10-04T07:06:02Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• A Multi-channel EEG Data Analysis for Poor Neuro-prognostication in Comatose Patients with Self and Cross-channel Attention Mechanism [1.9288445804756893]
  両極性脳波 (EEG) 記録の予測可能性について検討した。 ハイブリッドなディープラーニングアプローチを用いた振り返り設計を用いて、高い特異性を目的とした目的関数を最適化する。
  論文  参考訳（メタデータ） (2023-09-24T13:13:29Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Classification of eye-state using EEG recordings: speed-up gains using signal epochs and mutual information measure [0.0]
  チャネル選択のための相互情報(MI)に基づく手法を提案する。 分類精度スコアにはペナルティがある一方で、MI技術を用いて期待できるスピードアップゲインを実現することができることを示す。 本研究は探索的であり,検証と開発のためのさらなる研究が提案されている。
  論文  参考訳（メタデータ） (2022-08-31T10:28:42Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• 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)
• Automatic detection of abnormal EEG signals using wavelet feature extraction and gradient boosting decision tree [2.924868086534434]
  多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。 本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。 CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
  論文  参考訳（メタデータ） (2020-12-18T03:36:52Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。