文献

J-GLOBAL ID：202202255339022393   整理番号：22A0578170

心筋解剖学的特徴に基づく最適化極値学習機械アプローチを用いた心血管障害重症度検出【JST・京大機械翻訳】

Cardiovascular Disorder Severity Detection Using Myocardial Anatomic Features Based Optimized Extreme Learning Machine Approach

著者 (2件)： Muthulakshmi M. (Department of Electronics Engineering, MIT Campus, Anna University, Chromepet, Chennai - 600044, Tamilnadu, India) ,  Kavitha G. (Department of Electronics Engineering, MIT Campus, Anna University, Chromepet, Chennai - 600044, Tamilnadu, India)
資料名： IRBM  (IRBM)
巻： 43  号： 1  ページ： 2-12  発行年： 2022年 
JST資料番号： W3450A  ISSN： 1959-0318  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本研究は,正常,軽度,中等度および重度の異常駆出率(EF)を有する被験者の識別のために,解剖学的左室心筋の特徴と最適化された極端学習機械(ELM)の統合に焦点を合わせる。心筋の生理学的変化は,EF低下を伴う心血管疾患(CVD)の病因と診断的関連性がある。この評価は,Kaggle第2年データ科学Bowlで利用可能な104人の被験者の心血管磁気共鳴(CMR)画像で行った。セグメントCMRフレームワークを用いて心臓MR画像から心筋を分割し,16部門に細分した。86の臨床的に有意な解剖学的特徴を抽出し,ELMフレームワークにかけた。正則化係数と隠れニューロンはELMの予測精度に影響する。これらのパラメータの最適値はバタフライ最適化器(BO)で達成される。異なる活性化関数と特徴集合を有するBOELMフレームワークの比較研究を行った。個々の特徴セットの中で,EDでの心筋容積は,他のものと比べて83.3%のより良い分類精度を与える。さらに,与えられたBOELMフレームワークは,ELMよりも全特徴集合で95.2%の高いマルチクラス精度を提供できる。健常および中等度異常被験者のより良い識別は,他のサブグループより達成される。併用解剖学的セクターワイズ心筋特徴支援BOELMは,CVDの重症度レベルを予測することができる。したがって,この研究は心臓障害の腫瘤診断における放射線科医を支持する。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *最適化 ,  ニューロン ,  *学習機械 ,  *心筋 ,  画像 ,  心臓病 ,  *循環系 ,  *解剖学 ,  正則化 ,  NMRイメージング ,  病因
準シソーラス用語： 被験者 ,  腫瘤 ,  予測精度 ,  *重症度 , 【Automatic Indexing@JST】

著者キーワード (5件)： 心血管疾患 ,  磁気共鳴画像 ,  心筋 ,  極限学習機械 ,  蝶の最適化

分類 (2件)： 循環系の診断  (GJ02000V) ,  放射線を利用した診断  (GC04020K)

タイトルに関連する用語 (7件)： 心筋 ,  解剖学 ,  最適化 ,  極値 ,  学習機械 ,  心血管障害 ,  重症度