論文の概要: DeepMI: Deep Multi-lead ECG Fusion for Identifying Myocardial Infarction
and its Occurrence-time
- arxiv url: http://arxiv.org/abs/2104.02054v1
- Date: Wed, 31 Mar 2021 19:46:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 00:15:09.826905
- Title: DeepMI: Deep Multi-lead ECG Fusion for Identifying Myocardial Infarction
and its Occurrence-time
- Title(参考訳): DeepMI:心電図による心筋梗塞の診断とその発生時期
- Authors: Girmaw Abebe Tadesse, Hamza Javed, Yong Liu, Jin Liu, Jiyan Chen,
Komminist Weldemariam, and Tingting Zhu
- Abstract要約: 心筋梗塞(MI)は全血管疾患(CVD)の死亡率が最も高い。
自動心電図診断には機械学習手法が採用されているが、ほとんどの手法では心電図のビートを抽出したり、互いに独立してリードを考える必要がある。
そこで本研究では,MIを通常の症例から分類し,MIの時間的発生を識別するエンド・ツー・エンドのディープラーニング手法であるDeepMIを提案する。
- 参考スコア(独自算出の注目度): 11.90298519305377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Myocardial Infarction (MI) has the highest mortality of all cardiovascular
diseases (CVDs). Detection of MI and information regarding its occurrence-time
in particular, would enable timely interventions that may improve patient
outcomes, thereby reducing the global rise in CVD deaths. Electrocardiogram
(ECG) recordings are currently used to screen MI patients. However, manual
inspection of ECGs is time-consuming and prone to subjective bias. Machine
learning methods have been adopted for automated ECG diagnosis, but most
approaches require extraction of ECG beats or consider leads independently of
one another. We propose an end-to-end deep learning approach, DeepMI, to
classify MI from normal cases as well as identifying the time-occurrence of MI
(defined as acute, recent and old), using a collection of fusion strategies on
12 ECG leads at data-, feature-, and decision-level. In order to minimise
computational overhead, we employ transfer learning using existing computer
vision networks. Moreover, we use recurrent neural networks to encode the
longitudinal information inherent in ECGs. We validated DeepMI on a dataset
collected from 17,381 patients, in which over 323,000 samples were extracted
per ECG lead. We were able to classify normal cases as well as acute, recent
and old onset cases of MI, with AUROCs of 96.7%, 82.9%, 68.6% and 73.8%,
respectively. We have demonstrated a multi-lead fusion approach to detect the
presence and occurrence-time of MI. Our end-to-end framework provides
flexibility for different levels of multi-lead ECG fusion and performs feature
extraction via transfer learning.
- Abstract(参考訳): 心筋梗塞 (MI) は全血管疾患 (CVD) の死亡率が最も高い。
MIの検出とその発生時間に関する情報は、患者の結果を改善し、CVD死亡の世界的な増加を減少させるタイムリーな介入を可能にする。
心電図(ECG)は、現在MI患者のスクリーニングに使われている。
しかし、心電図の手動検査は時間がかかり、主観的偏見が生じる。
自動心電図診断には機械学習手法が採用されているが、ほとんどのアプローチでは、心電図のビートを抽出したり、リードを独立して考える必要がある。
本研究では,データ,特徴,意思決定レベルで12個の心電図リード上での融合戦略の収集を用いて,miの出現時間(急性期,最新期,旧期)を識別するとともに,正常症例からmiを分類する,エンドツーエンドのディープラーニングアプローチであるdeepmiを提案する。
計算のオーバーヘッドを最小限に抑えるために,既存のコンピュータビジョンネットワークを用いた転送学習を採用する。
さらに、リカレントニューラルネットワークを用いて、心電図固有の長手情報を符号化する。
17,381人の患者から収集されたデータセットからdeepmiを検証し,ecgリードあたり323,000以上のサンプルを抽出した。
AUROCは96.7%,82.9%,68.6%,73.8%であった。
我々は,miの存在と発生時間を検出するマルチリード核融合法を実証した。
我々のエンドツーエンドフレームワークは、異なるレベルのマルチリードECG融合に対する柔軟性を提供し、転送学習による特徴抽出を行う。
関連論文リスト
- Advancements in Continuous Glucose Monitoring: Integrating Deep Learning
and ECG Signal [0.0]
本稿では, 心電図(ECG)を用いた非侵襲性高血糖モニタリングへの新しいアプローチを提案する。
我々は、様々な空間的位置における重要な特徴を特定し、各畳み込み層内の異なる特徴間の相互依存性を調べることができるディープニューラルネットワークモデルを設計した。
提案アルゴリズムは、曲線(AUC)下の91.60%の領域、81.05%の感度、85.54%の特異性を持つ高血糖を効果的に検出する。
論文 参考訳(メタデータ) (2024-03-12T03:57:25Z) - Guiding Masked Representation Learning to Capture Spatio-Temporal
Relationship of Electrocardiogram [2.495423169067077]
本稿では,ST-MEM(S-Temporal Masked Electrocardiogram Modeling)を提案する。
ST-MEMは、不整脈に対する様々な実験的設定において、他のSSLベースラインメソッドよりも優れている。
論文 参考訳(メタデータ) (2024-02-02T10:04:13Z) - A Compact LSTM-SVM Fusion Model for Long-Duration Cardiovascular
Diseases Detection [0.0]
世界的には、心臓血管疾患(CVD)が主な死因であり、毎年1790万人が死亡している。
重要な臨床目的の1つは、心電図(ECG)データによるCVDの早期検出である。
機械学習とディープラーニングに基づく最近の進歩は、この分野において大きな進歩を遂げている。
論文 参考訳(メタデータ) (2023-11-20T10:57:11Z) - Global ECG Classification by Self-Operational Neural Networks with
Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。
我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。
提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文 参考訳(メタデータ) (2022-04-07T22:49:18Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - Fully automated deep learning based segmentation of normal, infarcted
and edema regions from multiple cardiac MRI sequences [0.3758535425255491]
本稿では, 深部畳み込みニューラルネットワーク(CNN)を用いた心臓病理領域分割のための完全自動アプローチを提案する。
ネットワークへの入力は3つのCMR配列、すなわち、後期ガドリニウム増強(LGE)、T2、バランスの取れた定常状態フリー・プレセッション(bSSFP)から構成される。
提案手法は20のケースを含むテストセットを用いて,LV ME+MSの平均ダイススコアを46.8%,LV ME+MSの平均スコアを5.7%とする。
論文 参考訳(メタデータ) (2020-08-18T07:01:24Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。