論文の概要: TopSeg: A Multi-Scale Topological Framework for Data-Efficient Heart Sound Segmentation

• arxiv url: http://arxiv.org/abs/2510.17346v1
• Date: Mon, 20 Oct 2025 09:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.386678
• Title: TopSeg: A Multi-Scale Topological Framework for Data-Efficient Heart Sound Segmentation
• Title（参考訳）: TopSeg: データ効率の良い心臓音分離のためのマルチスケールトポロジカルフレームワーク
• Authors: Peihong Zhang, Zhixin Li, Yuxuan Liu, Rui Sang, Yiqiang Cai, Yizhou Tan, Shengchen Li,
• Abstract要約: TopSegは、マルチスケールのトポロジ的特徴を持つPCGダイナミクスをエンコードする表現中心のフレームワークである。 被験者レベルのサブサンプリングでPhyloNet 2016データセットのみをトレーニングし、CirCorデータセット上で外部バリデーションを実行します。 結果から,TopSegはデータ効率,クロスデータセットPCGセグメンテーションに強い帰納バイアスを与えることがわかった。
• 参考スコア（独自算出の注目度）: 12.42019711058722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning approaches for heart-sound (PCG) segmentation built on time--frequency features can be accurate but often rely on large expert-labeled datasets, limiting robustness and deployment. We present TopSeg, a topological representation-centric framework that encodes PCG dynamics with multi-scale topological features and decodes them using a lightweight temporal convolutional network (TCN) with an order- and duration-constrained inference step. To evaluate data efficiency and generalization, we train exclusively on PhysioNet 2016 dataset with subject-level subsampling and perform external validation on CirCor dataset. Under matched-capacity decoders, the topological features consistently outperform spectrogram and envelope inputs, with the largest margins at low data budgets; as a full system, TopSeg surpasses representative end-to-end baselines trained on their native inputs under the same budgets while remaining competitive at full data. Ablations at 10% training confirm that all scales contribute and that combining H_0 and H_1 yields more reliable S1/S2 localization and boundary stability. These results indicate that topology-aware representations provide a strong inductive bias for data-efficient, cross-dataset PCG segmentation, supporting practical use when labeled data are limited.
• Abstract（参考訳）: 時間周波数機能に基づいて構築された心エコー(PCG)セグメンテーションのためのディープラーニングアプローチは正確だが、多くの場合、大規模な専門家ラベル付きデータセットに依存し、堅牢性とデプロイメントを制限している。 提案するトポロジカル表現中心のフレームワークであるTopSegは,PCGダイナミクスをマルチスケールなトポロジカル特徴でエンコードし,順序と持続時間に制約のある推論ステップを備えた軽量時間畳み込みネットワーク(TCN)を用いてそれらをデコードする。 データ効率と一般化を評価するため、被験者レベルのサブサンプルを用いたPhyloNet 2016データセットのみをトレーニングし、CirCorデータセット上で外部検証を行う。 マッチした容量のデコーダの下では、トポロジ的特徴は、スペクトログラムとエンベロープ入力を一貫して上回り、データ予算で最大のマージンを持つ。 10%のトレーニングでのアブレーションにより、すべてのスケールが寄与し、H_0とH_1を組み合わせることでより信頼性の高いS1/S2の局在と境界安定性が得られることが確認される。 これらの結果から, トポロジ対応表現はデータ効率, クロスデータセットPCGセグメンテーションに強い帰納バイアスを与え, ラベル付きデータに制限がある場合の実用的利用を支援することが示唆された。

関連論文リスト

• SDTN and TRN: Adaptive Spectral-Spatial Feature Extraction for Hyperspectral Image Classification [1.2871580250533408]
  ハイパースペクトル画像分類は、精密農業において重要な役割を担い、作物の健康モニタリング、病気の検出、土壌分析に関する正確な洞察を提供する。 従来の手法は高次元データ、スペクトル空間の冗長性、ラベル付きサンプルの不足に悩まされ、しばしば準最適性能に繋がる。 これらの課題に対処するために,テンソル分解と正規化機構を組み合わせた自己適応正規化ネットワーク(SDTN)を提案し,テンソルランクを動的に調整する。 このアプローチは、高い分類精度を維持するだけでなく、計算の複雑さを大幅に減らし、リソース制約のある環境でのリアルタイムデプロイメントに非常に適している。
  論文  参考訳（メタデータ） (2025-07-13T04:53:33Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• Graph-Based Fault Diagnosis for Rotating Machinery: Adaptive Segmentation and Structural Feature Integration [0.0]
  本稿では,回転機械における頑健かつ解釈可能なマルチクラス故障診断のためのグラフベースフレームワークを提案する。 エントロピー最適化信号セグメンテーション、時間周波数特徴抽出、グラフ理論モデリングを統合し、振動信号を構造化表現に変換する。 提案手法は,2つのベンチマークデータセットで評価した場合,高い診断精度を実現する。
  論文  参考訳（メタデータ） (2025-04-29T13:34:52Z)
• DeepFRC: An End-to-End Deep Learning Model for Functional Registration and Classification [11.194964108429252]
  DeepFRCは、ワープ機能と統一アーキテクチャ内の分類を共同で学習するエンドツーエンドのディープラーニングフレームワークである。 このようなジョイントモデルに対する最初の理論的保証を提供し、最適なワープを近似する能力を証明する。 合成および実世界のデータセットの実験により、DeepFRCは、アライメント品質と分類精度の両方において、最先端の手法を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-01-30T03:35:03Z)
• Leveraging Semi-Supervised Learning to Enhance Data Mining for Image Classification under Limited Labeled Data [35.431340001608476]
  従来のデータマイニング手法は、大規模で高次元で複雑なデータに直面すると不十分である。 本研究では,ラベルのないデータを利用するアルゴリズムの能力向上を目的とした,半教師付き学習手法を提案する。 具体的には、自己学習法を採用し、画像の特徴抽出と分類のための畳み込みニューラルネットワーク(CNN)と組み合わせる。
  論文  参考訳（メタデータ） (2024-11-27T18:59:50Z)
• Soft Random Sampling: A Theoretical and Empirical Analysis [59.719035355483875]
  ソフトランダムサンプリング(SRS)は、大量のデータを扱う際に、効率的なディープニューラルネットワークに対して単純だが効果的なアプローチである。 それは、各エポックに設定された各データセットから、ランダムに置換された均一な速度を選択する。 実世界の産業規模で重要な競争力を持つ、強力で競争力のある戦略であることが示されている。
  論文  参考訳（メタデータ） (2023-11-21T17:03:21Z)
• DANCE: DAta-Network Co-optimization for Efficient Segmentation Model Training and Inference [86.03382625531951]
  DANCEは、効率的なセグメンテーションモデルのトレーニングと推論のための自動データネットワーク協調最適化である。 入力イメージを適応的にダウンサンプル/ドロップする自動データスライミングを統合し、画像の空間的複雑さによって導かれるトレーニング損失に対するそれに対応するコントリビューションを制御する。 実験と非難研究により、DANCEは効率的なセグメンテーションに向けて「オールウィン」を達成できることを示した。
  論文  参考訳（メタデータ） (2021-07-16T04:58:58Z)
• Temporal Calibrated Regularization for Robust Noisy Label Learning [60.90967240168525]
  ディープニューラルネットワーク(DNN)は、大規模な注釈付きデータセットの助けを借りて、多くのタスクで大きな成功を収めている。 しかし、大規模なデータのラベル付けは非常にコストがかかりエラーが発生しやすいため、アノテーションの品質を保証することは困難である。 本稿では,従来のラベルと予測を併用したTCR(Temporal Calibrated Regularization)を提案する。
  論文  参考訳（メタデータ） (2020-07-01T04:48:49Z)

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。