Fugu-MT 論文翻訳(概要): Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation

論文の概要: Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation

arxiv url: http://arxiv.org/abs/2111.12996v1
Date: Thu, 25 Nov 2021 10:11:41 GMT
ステータス: 処理完了
システム内更新日: 2021-11-29 15:26:17.109638
Title: Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation
Title（参考訳）: 一般化心電図デライン化:合成データ拡張による畳み込みニューラルネットワークの訓練
Authors: Guillermo Jimenez-Perez, Juan Acosta, Alejandro Alcaine, Oscar Camara
Abstract要約: 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。
参考スコア（独自算出の注目度）: 63.51064808536065
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Obtaining per-beat information is a key task in the analysis of cardiac electrocardiograms (ECG), as many downstream diagnosis tasks are dependent on ECG-based measurements. Those measurements, however, are costly to produce, especially in recordings that change throughout long periods of time. However, existing annotated databases for ECG delineation are small, being insufficient in size and in the array of pathological conditions they represent. This article delves has two main contributions. First, a pseudo-synthetic data generation algorithm was developed, based in probabilistically composing ECG traces given "pools" of fundamental segments, as cropped from the original databases, and a set of rules for their arrangement into coherent synthetic traces. The generation of conditions is controlled by imposing expert knowledge on the generated trace, which increases the input variability for training the model. Second, two novel segmentation-based loss functions have been developed, which attempt at enforcing the prediction of an exact number of independent structures and at producing closer segmentation boundaries by focusing on a reduced number of samples. The best performing model obtained an $F_1$-score of 99.38\% and a delineation error of $2.19 \pm 17.73$ ms and $4.45 \pm 18.32$ ms for all wave's fiducials (onsets and offsets, respectively), as averaged across the P, QRS and T waves for three distinct freely available databases. The excellent results were obtained despite the heterogeneous characteristics of the tested databases, in terms of lead configurations (Holter, 12-lead), sampling frequencies ($250$, $500$ and $2,000$ Hz) and represented pathophysiologies (e.g., different types of arrhythmias, sinus rhythm with structural heart disease), hinting at its generalization capabilities, while outperforming current state-of-the-art delineation approaches.
Abstract（参考訳）: 心臓心電図(ECG)の解析において、心拍ごとの情報を取得することが重要な課題であり、多くの下流診断タスクは心電図に基づく測定に依存している。しかし、これらの測定は、特に長期間にわたって変化する記録において、生産にコストがかかる。しかし、ECGデライン化のための既存の注釈付きデータベースは小さく、サイズが不十分であり、それらが表す病的条件の配列である。この記事には2つの主な貢献がある。まず、元のデータベースから取得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規則を定式化した擬似合成データ生成アルゴリズムを開発した。生成したトレースに専門家の知識を付与することにより、モデルトレーニングの入力変動性を高めることにより、条件の生成を制御する。第二に, 個別構造の正確な数を予測し, サンプル数の削減に焦点を合わせることにより, より近い分割境界を生成することを目的とした, 新たなセグメンテーションに基づく損失関数が2つ開発されている。ベストパフォーマンスモデルは、99.38\%の$f_1$-scoreと2.19 \pm 17.73$msと4.45 \pm 18.32$msの2.45 \pm 18.32$msの3つの異なる自由に利用可能なデータベースに対して、p、qrs、twaveの平均値を得た。その結果,リード構成 (holter, 12-lead) ,サンプリング周波数 (250$,500$,2,000$ hz) ,病理生理学 (不整脈の種類, 洞内リズム, 構造的心疾患など) の異種性にも拘わらず, 一般化能力を示唆し, 最先端のデライン化アプローチよりも優れていた。

関連論文リスト

FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文参考訳（メタデータ） (2024-10-28T02:24:01Z)
Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文参考訳（メタデータ） (2023-10-24T11:34:15Z)
Understanding of Normal and Abnormal Hearts by Phase Space Analysis and Convolutional Neural Networks [0.0]
彼のPurkinjeネットワークは、正常な人間の心臓のパワースペクトルを分析するのに使われている。 CNNs法はMLIIで記録されたMIT-BIHデータベースを介して44レコードに適用される。バイナリCNN分類は、健康な心臓または不健康な心臓を決定するために用いられる。
論文参考訳（メタデータ） (2023-05-16T19:52:40Z)
Arrhythmia Classification using CGAN-augmented ECG Signals [8.819736346681463]
GAN(Generative Adrial Networks)は、リアルな合成ECG信号を生成するために使用される。本研究では,データ拡張が不整脈分類に及ぼす影響について検討した。
論文参考訳（メタデータ） (2022-01-26T17:41:57Z)
Synthetic ECG Signal Generation Using Generative Neural Networks [7.122393663641668]
本研究は,GAN(Generative Adversarial Network)ファミリーから5つの異なるモデルの合成ECG生成能力について検討した。以上の結果から, 全ての実験モデルにおいて, 形態学的特徴に高い類似性を有する許容心拍の大量生成に成功できることが示唆された。
論文参考訳（メタデータ） (2021-12-05T20:28:55Z)
SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。我々は,マルチリード信号を2次元行列として扱うことを提案する。提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文参考訳（メタデータ） (2020-12-10T08:37:44Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文参考訳（メタデータ） (2020-10-21T18:11:36Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)
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。