論文の概要: U-NeXt: General-purpose event detection for neonatal EEG

• arxiv url: http://arxiv.org/abs/2610.32811v1
• Date: Fri, 23 Oct 2026 15:47:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.599565
• Title: U-NeXt: General-purpose event detection for neonatal EEG
• Title（参考訳）: U-NeXt:新生児脳波の汎用事象検出
• Abstract要約: 意味的セグメンテーションに基づく新生児脳波(EEG)イベント検出のための一般的なフレームワークであるU-NeXtを開発した。 発作検出のために,拡張データセットに基づいて訓練したU-NeXt+も評価した。 U-NeXtは3つのイベントタイプすべての検出を改善した。
• 参考スコア（独自算出の注目度）: 1.4072064932290227
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We developed U-NeXt, a general framework for neonatal electroencephalography (EEG) event detection based on semantic segmentation. Its convolutional encoder-decoder directly segments individual channels using long input segments to preserve temporal context. A shared architecture and training framework were developed using low-voltage interval, artefact, and seizure datasets containing 51, 98, and 278 neonates, respectively, comprising over 11,000 hours of EEG and 82,000 annotated events. Performance was compared with task-specific ConvNeXt classifiers. For seizure detection, we also evaluated U-NeXt+, trained on an expanded dataset. Both U-NeXt variants and the ConvNeXt baseline were evaluated on two independent held-out seizure datasets, Helsinki and Cork, comprising 130 neonates, with recordings annotated by three experts. U-NeXt improved detection across all three event types, with particular gains in sensitivity for short events. U-NeXt+ achieved Matthews correlation coefficients of 0.862 and 0.891 on Helsinki and Cork, respectively, and improved hourly seizure burden correlations by 30-40% relative to ConvNeXt. U-NeXt+ met the criterion for expert-level performance on both datasets (p < 0.001). In separate computational benchmarks, U-NeXt reduced batch inference time relative to ConvNeXt by 254-fold on a central processing unit and 200-fold on a graphics processing unit. A common segmentation framework improves detection across diverse neonatal EEG event types while substantially reducing inference time. Accurate seizure burden estimates and performance comparable to expert reviewers support its potential use in continuous monitoring and clinical decision support.
• Abstract（参考訳）: 意味的セグメンテーションに基づく新生児脳波(EEG)イベント検出のための一般的なフレームワークであるU-NeXtを開発した。 その畳み込みエンコーダ・デコーダは、時間的コンテキストを保存するために長い入力セグメントを使用して個別のチャネルを直接分割する。 低電圧間隔, アーティファクト, 発作データセット(51, 98, 278)を用いて, それぞれ11,000時間以上の脳波と82,000回のアノテートイベントを含む共有アーキテクチャとトレーニングフレームワークを開発した。 性能はタスク固有のConvNeXt分類器と比較された。 発作検出のために,拡張データセットに基づいて訓練したU-NeXt+も評価した。 U-NeXtの変種とConvNeXtのベースラインは、130人の新生児からなるヘルシンキとコークの2つの独立したホールドアウト発作データセットで評価され、3人の専門家が注釈を付けた。 U-NeXtは3つのイベントタイプすべての検出を改善した。 U-NeXt+はヘルシンキとコークでそれぞれ0.862と0.891のマシューズ相関係数を達成し,ConvNeXtと比較して時間差の負担相関を30-40%改善した。 U-NeXt+は両方のデータセット(p < 0.001)で専門家レベルのパフォーマンスの基準を満たした。 別個の計算ベンチマークでは、U-NeXtは中央処理ユニットで254倍、グラフィック処理ユニットで200倍のバッチ推論時間を削減した。 共通セグメンテーションフレームワークは、さまざまな新生児脳波イベントタイプの検出を改善し、推論時間を著しく短縮する。 正確な発作重荷推定と専門家レビュアーに匹敵するパフォーマンスは、継続的なモニタリングと臨床的決定支援における潜在的な使用をサポートする。

関連論文リスト

• Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
  SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
  論文  参考訳（メタデータ） (2026-09-16T15:34:21Z)
• Deep learning-based detection of cessation of breathing in pre-term infants [1.8148201112091653]
  未熟児のアプノエアは、定期的に監視される生理的信号を用いて確実に検出することは困難である。 深層学習に基づくアプノエア関連BrEathing事象の検出について検討した。
  論文  参考訳（メタデータ） (2026-06-22T11:56:50Z)
• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• VISTA: Validation-Guided Integration of Spatial and Temporal Foundation Models with Anatomical Decoding for Rare-Pathology VCE Event Detection [39.50945484737978]
  我々は、RARE-VISIONタスクを、純粋にフレームワイズな分類タスクではなく、メトリック整列イベント検出問題として定式化する。 フレームレベルの強い視覚的意味論のためのDINOv3 ViT-L/16と、局所的時間的文脈のためのEndoFM-LVの2つの相補的バックボーンを組み合わせた。 検証の短縮は、補完的なバックボーン、検証誘導融合、解剖学的に認識された時間的デコーディングが、すべてイベントレベルのパフォーマンスに寄与することを示している。
  論文  参考訳（メタデータ） (2026-03-18T23:01:12Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization [0.7510165488300369]
  新型コロナウイルスのパンデミックを緩和するための効果的な戦略は、感染した個人を特定するための検査を統合することである。 RT-PCRは、新型コロナウイルスの診断における金の基準と考えられているが、偽陰性のリスクなどいくつかの制限がある。 本稿では,事前学習したディープ・コーン・ニューラル・ニューラルネットワーク(DCNN)をアンサンブル学習フレームワークに統合した新しいディープラーニング診断システムを提案する。
  論文  参考訳（メタデータ） (2025-01-14T16:28:02Z)
• PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [6.2921559513184695]
  本稿では,基本関数から発生する時間的カーネルを含むPLEIA(Lynomial Expansion In Adaptive Distributed Event Systems)というニューラルネットワークのクラスを紹介する。 低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。
  論文  参考訳（メタデータ） (2024-05-20T17:06:24Z)
• Scaling convolutional neural networks achieves expert-level seizure detection in neonatal EEG [2.167349286446486]
  新生児332例の脳波データを用いて発作検出モデルを構築した。 このモデルは、チャネル毎に12k以上の発作イベントをアノテートした開発データセットでトレーニングされ、テストされた。 完全に見えないデータに対する専門家レベルの同値性は、この分野で初めて、このモデルがさらなる臨床的検証の準備が整っていることを強く示唆した。
  論文  参考訳（メタデータ） (2024-05-16T08:59:20Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)

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。