論文の概要: Lightweight Classifier for Detecting Intracranial Hemorrhage in Ultrasound Data

• arxiv url: http://arxiv.org/abs/2510.20857v1
• Date: Wed, 22 Oct 2025 09:04:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.270744
• Title: Lightweight Classifier for Detecting Intracranial Hemorrhage in Ultrasound Data
• Title（参考訳）: 超音波による頭蓋内出血検出のための軽量分類器
• Abstract要約: 外傷性脳損傷(TBI)に続発する頭蓋内出血(ICH)は重要な診断課題である。 CT(Computed Tomography)やMRI(Magnetic Resonance Imaging)などの診断には、大きな限界がある。 超音波ティッシュパルサチリティイメージング(TPI)を用いた自動ICH検出のための機械学習手法の検討
• 参考スコア（独自算出の注目度）: 0.5461938536945722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intracranial hemorrhage (ICH) secondary to Traumatic Brain Injury (TBI) represents a critical diagnostic challenge, with approximately 64,000 TBI-related deaths annually in the United States. Current diagnostic modalities including Computed Tomography (CT) and Magnetic Resonance Imaging (MRI) have significant limitations: high cost, limited availability, and infrastructure dependence, particularly in resource-constrained environments. This study investigates machine learning approaches for automated ICH detection using Ultrasound Tissue Pulsatility Imaging (TPI), a portable technique measuring tissue displacement from hemodynamic forces during cardiac cycles. We analyze ultrasound TPI signals comprising 30 temporal frames per cardiac cycle with recording angle information, collected from TBI patients with CT-confirmed ground truth labels. Our preprocessing pipeline employs z-score normalization and Principal Component Analysis (PCA) for dimensionality reduction, retaining components explaining 95% of cumulative variance. We systematically evaluate multiple classification algorithms spanning probabilistic, kernel-based, neural network, and ensemble learning approaches across three feature representations: original 31-dimensional space, reduced subset, and PCA-transformed space. Results demonstrate that PCA transformation substantially improves classifier performance, with ensemble methods achieving 98.0% accuracy and F1-score of 0.890, effectively balancing precision and recall despite class imbalance. These findings establish the feasibility of machine learning-based ICH detection in TBI patients using portable ultrasound devices, with applications in emergency medicine, rural healthcare, and military settings where traditional imaging is unavailable.
• Abstract（参考訳）: 外傷性脳損傷(TBI)に続発する頭蓋内出血(ICH)は、米国で毎年約64,000人が死亡し、重要な診断上の課題となっている。 CT (Computed Tomography) やMRI (Magnetic Resonance Imaging) などの現在の診断法には、特に資源制約のある環境では、高コスト、限られた可用性、インフラ依存といった大きな制限がある。 本研究では, 心臓循環中の血行動態から組織変位を測定する携帯技術であるTPIを用いて, 自動ICH検出のための機械学習手法について検討した。 心周期毎に30フレームの超音波TPI信号を記録角度情報で解析し,CTで確認した地中真理ラベルを持つTBI患者から収集した。 我々の前処理パイプラインはzスコア正規化と主成分分析(PCA)を用いて次元の減少を図り、95%の累積分散を説明する。 確率的,カーネルベース,ニューラルネットワーク,アンサンブル学習アプローチにまたがる複数の分類アルゴリズムを,元の31次元空間,縮小部分集合,PCA変換空間の3つの特徴表現にわたって体系的に評価した。 結果,PCA変換は,98.0%の精度と0.890のF1スコアを達成し,クラス不均衡にもかかわらず精度とリコールを効果的にバランスさせることにより,分類器の性能を大幅に向上させることを示した。 これらの結果から,携帯型超音波デバイスを用いたTBI患者の機械学習によるICH検出の可能性が確認された。

関連論文リスト

• Uni-Light: An Ultra-Lightweight Framework via Uncertainty-Aware Knowledge Distillation for Brain Tumour Segmentation [0.13980986259786224]
  既存の脳腫瘍のセグメンテーション法は、しばしば重い計算要求に悩まされる。 高速セグメンテーションを実現する新しい超軽量フレームワーク(Uni-Light)を提案する。 Uni-Lightはパラメータを97.56%、浮動小数点演算(FLOP)を73.03%、メモリフットプリントを81.58%削減する。
  論文  参考訳（メタデータ） (2026-09-06T17:00:57Z)
• ORB-SVM : An Innovative Hybrid Framework for Efficient Brain Tumor Detection from MRI Scans [0.0]
  本研究では,オブジェクト指向FASTと回転BRIEF(ORB)アルゴリズムを正確な特徴抽出に用い,SVM(Support Vector Machine)を分類に用いたハイブリッドフレームワークを提案する。 提案手法は,非情報背景データの影響を効果的に最小化する,99.5%のサブスタンタルデータ削減を実現する。 Br35Hデータセット上での実験的な評価により、このフレームワークは97.5%の精度で分類できることが示された。
  論文  参考訳（メタデータ） (2026-09-02T09:09:14Z)
• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• Noninvasive Intracranial Pressure Estimation Using Subspace System Identification and Bespoke Machine Learning Algorithms: A Learning-to-Rank Approach [3.213638765666833]
  任意の非侵襲信号を用いて正確なICP値を得るための機械学習フレームワークが提案された。 非侵襲的な信号の特徴と推定誤差の関係を記述するマッピング関数を,革新的なランキング制約を用いて学習する。 本研究は,非侵襲的ICP推定手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2026-01-28T18:10:31Z)
• A Multimodal Deep Learning Framework for Predicting ICU Deterioration: Integrating ECG Waveforms with Clinical Data and Clinician Benchmarking [1.2938481923855734]
  MDS ICUは、人口統計、バイオメトリックス、バイタルサイン、実験室の値、心電図波形、外科手術、医療機器の使用など、日常的に収集されるデータを融合し、ICU滞在中に継続的な予測支援を提供する統合機械学習フレームワークである。 我々は,心電図波形の構造化状態空間S4エンコーダと多層パーセプトロンRealMLPエンコーダを組み合わせた深層学習アーキテクチャを訓練し,死亡率,臓器機能障害,治療ニーズ,急性劣化の33例を共同で予測した。 分析の結果、予測されたリスクと観測されたリスクの密接な一致を示し、ECG波形統合による一貫した利得を示した。
  論文  参考訳（メタデータ） (2026-01-10T18:11:12Z)
• AI-Powered Early Detection of Critical Diseases using Image Processing and Audio Analysis [0.4356470230135012]
  本稿では,画像解析,サーマルイメージング,音声信号処理を統合したマルチモーダル人工知能(AI)診断フレームワークを提案する。 微細調整されたMobileNetV2畳み込みニューラルネットワークは、皮膚病変分類のためのISIC 2019データセットでトレーニングされた。 ハンドクラフト機能を備えたサポートベクターマシン(SVM)は、86.4%の精度でサーマルクロート検出に使用された。 このフレームワークは、スケーラブルでリアルタイムで、アクセス可能なAIベースの事前診断型ヘルスケアソリューションへの、有望なステップを提供する。
  論文  参考訳（メタデータ） (2025-10-29T06:09:17Z)
• Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
  3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。 我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
  論文  参考訳（メタデータ） (2025-09-22T12:57:21Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Signal-based AI-driven software solution for automated quantification of metastatic bone disease and treatment response assessment using Whole-Body Diffusion-Weighted MRI (WB-DWI) biomarkers in Advanced Prostate Cancer [0.490307469564307]
  We developed a AI-driven software solution to Quantify metastatic bone disease from WB-DWI scans。 i) 骨を分離するための骨格確率マップを生成する残留U-Netモデル、(ii) WB-DWI強度正規化のための統計フレームワーク、(iii) 浅い畳み込みニューラルネットワーク。 ソフトウェアは80.5%の精度、84.3%の感度、85.7%の特異性を達成した。
  論文  参考訳（メタデータ） (2025-05-13T22:57:49Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [7.136933021609078]
  本研究は, 心臓疾患の自動診断のための, 迅速かつ正確かつ費用対効果の高い手法を提供する新しいディープラーニングアーキテクチャを開発し, 評価する。 まず,多様な畳み込みフィルタサイズを利用して人間の聴覚処理をエミュレートするマルチブランチディープ畳み込みニューラルネットワーク(MBDCN)と,特徴抽出のためのパワースペクトル入力の2つの革新的な手法を提案する。 第二に、LSTMブロックをMBDCNに統合し、時間領域の特徴抽出を改善するLong Short-Term Memory-Convolutional Neural (LSCN)モデルである。
  論文  参考訳（メタデータ） (2024-07-15T13:02:54Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• 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)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• DeepBeat: A multi-task deep learning approach to assess signal quality and arrhythmia detection in wearable devices [0.0]
  我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。 我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。 2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
  論文  参考訳（メタデータ） (2020-01-01T07:41:28Z)

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。