論文の概要: Auto Lead Extraction and Digitization of ECG Paper Records using cGAN
- arxiv url: http://arxiv.org/abs/2211.06720v1
- Date: Sat, 12 Nov 2022 18:36:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 18:17:24.536754
- Title: Auto Lead Extraction and Digitization of ECG Paper Records using cGAN
- Title（参考訳）: cGANを用いた心電図記録の自動抽出とデジタル化
- Authors: Rupali Patil, Bhairav Narkhede, Shubham Varma, Shreyans Suraliya,
Ninad Mehendale
- Abstract要約: ECG信号は一般に紙形式で格納されるため、データの保存と分析が困難になる。
12個の心電図画像から12個の鉛を個別に抽出する深層学習モデルを提案する。
また,紙ECGフォーマットを保存可能なデジタルフォーマットに変換する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.23624125155742054
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Purpose: An Electrocardiogram (ECG) is the simplest and fastest bio-medical
test that is used to detect any heart-related disease. ECG signals are
generally stored in paper form, which makes it difficult to store and analyze
the data. While capturing ECG leads from paper ECG records, a lot of background
information is also captured, which results in incorrect data interpretation.
Methods: We propose a deep learning-based model for individually extracting
all 12 leads from 12-lead ECG images captured using a camera. To simplify the
analysis of the ECG and the calculation of complex parameters, we also propose
a method to convert the paper ECG format into a storable digital format. The
You Only Look Once, Version 3 (YOLOv3) algorithm has been used to extract the
leads present in the image. These leads are then passed on to another deep
learning model which separates the ECG signal and background from the
single-lead image. After that, vertical scanning is performed on the ECG signal
to convert it into a 1-Dimensional (1D) digital form. To perform the task of
digitalization, we used the pix-2-pix deep learning model and binarized the ECG
signals.
Results: Our proposed method was able to achieve an accuracy of 97.4 %.
Conclusion: The information on the paper ECG fades away over time. Hence, the
digitized ECG signals make it possible to store the records and access them
anytime. This proves highly beneficial for heart patients who require frequent
ECG reports. The stored data can also be useful for research purposes, as this
data can be used to develop computer algorithms that are capable of analyzing
the data.
- Abstract（参考訳）: 目的:心電図(ECG)は、心臓病の診断に使用される最も単純かつ高速な生体医学検査である。
ECG信号は一般に紙形式で格納されるため、データの保存と分析が困難になる。
紙ECGレコードからECGのリードをキャプチャする一方で、多くのバックグラウンド情報がキャプチャされ、誤ったデータ解釈がもたらされる。
方法: カメラを用いた12個の心電図画像から12個の鉛を個別に抽出する深層学習モデルを提案する。
また,ECGの解析と複雑なパラメータの計算を簡単にするために,紙ECGフォーマットを保存可能なデジタルフォーマットに変換する手法を提案する。
You Only Look Once, Version 3 (YOLOv3) アルゴリズムは画像中の鉛を抽出するために使われている。
これらのリードは別のディープラーニングモデルに渡され、ECG信号と背景をシングルリード画像から分離する。
その後、ECG信号上で垂直走査を行い、1次元(1D)デジタル形式に変換する。
デジタル化を行うために,ピクセル2ピクセルの深層学習モデルを用いてECG信号をバイナライズした。
結果: 提案手法は97.4 %の精度を達成できた。
結論: 論文ECGの情報は時間とともに消えていく。
したがって、デジタル化されたECG信号は、いつでもレコードを保存してアクセスすることができる。
これは心電図の頻繁な報告を必要とする心臓患者にとって非常に有益である。
このデータは、データを解析できるコンピュータアルゴリズムの開発に使用できるため、保存されたデータは研究目的にも有用である。
関連論文リスト
- ECG-Image-Database: A Dataset of ECG Images with Real-World Imaging and Scanning Artifacts; A Foundation for Computerized ECG Image Digitization and Analysis [4.263536786122581]
ECG-Image-Databaseは、ECG時系列データから生成された心電図(ECG)画像の大規模かつ多種多様なコレクションである。
我々は、オープンソースのPythonツールキットであるECG-Image-Kitを使用して、生のECG時系列から12リードのECGプリントアウトのリアルな画像を生成する。
得られたデータセットには35,595個のソフトウェアラベル付きECGイメージが含まれており、幅広い画像アーティファクトと歪みがある。
論文 参考訳（メタデータ） (2024-09-25T04:30:19Z) - ECG-FM: An Open Electrocardiogram Foundation Model [3.611746032873298]
本稿では,ECG分析のためのオープン基盤モデルであるECG-FMを提案する。
ECG-FMはトランスフォーマーベースのアーキテクチャを採用し、250万のサンプルで事前訓練されている。
文脈情報のコマンドが強靭なパフォーマンス、豊富な事前学習された埋め込み、信頼性のある解釈可能性をもたらすことを示す。
論文 参考訳（メタデータ） (2024-08-09T17:06:49Z) - VizECGNet: Visual ECG Image Network for Cardiovascular Diseases Classification with Multi-Modal Training and Knowledge Distillation [0.7405975743268344]
実際には、ECGデータはデジタル化された信号または印刷された画像として格納される。
本稿では,複数の心血管疾患の予後を決定するために,心電図のみを用いたVizECGNetを提案する。
論文 参考訳（メタデータ） (2024-08-06T01:34:43Z) - Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。
最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。
LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-07T23:20:56Z) - ECG-Image-Kit: A Synthetic Image Generation Toolbox to Facilitate Deep
Learning-Based Electrocardiogram Digitization [3.4579920352329787]
本稿では,時系列データからリアルなアーティファクトを合成したマルチリードECG画像を生成するオープンソースツールボックスであるECG-Image-Kitを紹介する。
ケーススタディでは、PhyloNet QTデータベースから、ECG-Image-Kitを使用して、21,801個のECGイメージのデータセットを作成しました。
このデータセット上で、従来のコンピュータビジョンとディープニューラルネットワークモデルを組み合わせて、合成画像を時系列データに変換するようにトレーニングしました。
論文 参考訳（メタデータ） (2023-07-04T22:42:55Z) - PulseNet: Deep Learning ECG-signal classification using random
augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。
心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。
犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文 参考訳（メタデータ） (2023-05-17T09:06:39Z) - Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat
Counting and Demographic Data Integration [0.0]
本稿では,3段階のECG分類において,現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介する。
具体的には、心拍数回帰という形でのマルチタスク学習方式と、患者人口統計データをシステムに組み込む効果的なメカニズムを提案する。
これら2つの進歩により、2つの大規模ECGデータセットにおいて、F1スコアの0.9796と0.8140の分類性能を得た。
論文 参考訳（メタデータ） (2022-08-15T09:33:36Z) - 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) - 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。