論文の概要: Text-to-ECG: 12-Lead Electrocardiogram Synthesis conditioned on Clinical
Text Reports
- arxiv url: http://arxiv.org/abs/2303.09395v1
- Date: Thu, 9 Mar 2023 11:58:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-19 11:29:30.587326
- Title: Text-to-ECG: 12-Lead Electrocardiogram Synthesis conditioned on Clinical
Text Reports
- Title(参考訳): テキスト・トゥ・ECG: 臨床報告に基づく12レベル心電図合成
- Authors: Hyunseung Chung, Jiho Kim, Joon-myoung Kwon, Ki-Hyun Jeon, Min Sung
Lee, Edward Choi
- Abstract要約: 本稿では,ECG出力を生成するためにテキスト入力を使用するテキスト・ツー・ECGタスクを提案する。
本稿では,12個の心電図を合成する自動回帰生成モデルAuto-TTEを提案する。
- 参考スコア(独自算出の注目度): 6.659609788411503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrocardiogram (ECG) synthesis is the area of research focused on
generating realistic synthetic ECG signals for medical use without concerns
over annotation costs or clinical data privacy restrictions. Traditional ECG
generation models consider a single ECG lead and utilize GAN-based generative
models. These models can only generate single lead samples and require separate
training for each diagnosis class. The diagnosis classes of ECGs are
insufficient to capture the intricate differences between ECGs depending on
various features (e.g. patient demographic details, co-existing diagnosis
classes, etc.). To alleviate these challenges, we present a text-to-ECG task,
in which textual inputs are used to produce ECG outputs. Then we propose
Auto-TTE, an autoregressive generative model conditioned on clinical text
reports to synthesize 12-lead ECGs, for the first time to our knowledge. We
compare the performance of our model with other representative models in
text-to-speech and text-to-image. Experimental results show the superiority of
our model in various quantitative evaluations and qualitative analysis.
Finally, we conduct a user study with three board-certified cardiologists to
confirm the fidelity and semantic alignment of generated samples. our code will
be available at https://github.com/TClife/text_to_ecg
- Abstract(参考訳): 心電図合成(Electrocardiogram synthesis、ECG)は、アノテーションコストや臨床データプライバシーの制限を気にすることなく、医療用のリアルな心電図信号を生成する研究分野である。
従来のECG生成モデルは単一のECGリードを検討し、GANベースの生成モデルを利用する。
これらのモデルは単一のリードサンプルしか生成できず、診断クラスごとに個別のトレーニングが必要となる。
ECGの診断クラスは、様々な特徴(例えば、患者統計の詳細、既存の診断クラスなど)に応じて、ECG間の複雑な差異を捉えるには不十分である。
これらの課題を軽減するために,テキスト入力を用いてECG出力を生成するテキスト・ツー・ECGタスクを提案する。
そこで本研究では, 臨床報告を条件とした自己回帰生成モデルであるauto-tteを提案し, 12誘導心電図を初めて合成する。
本モデルの性能を,テキスト対音声およびテキスト対画像の他の代表モデルと比較する。
実験結果から, 定量的評価と定性解析におけるモデルの有用性が示された。
最後に, 3名の心科医とユーザ調査を行い, 生成試料の忠実性と意味的アライメントを確認した。
私たちのコードはhttps://github.com/TClife/text_to_ecgで利用可能です。
関連論文リスト
- ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method
for ECG signal [19.885905393439014]
本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。
この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。
提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
論文 参考訳(メタデータ) (2023-10-01T23:17:55Z) - ETP: Learning Transferable ECG Representations via ECG-Text Pre-training [10.856365645831728]
ECG-Text Pre-training (ETP)は、ECG信号とテキストレポートをリンクするクロスモーダル表現を学習するために設計された革新的なフレームワークである。
ETPはECGエンコーダと事前訓練された言語モデルを使用して、ECG信号を対応するテキストレポートと整合させる。
論文 参考訳(メタデータ) (2023-09-06T19:19:26Z) - ElectroCardioGuard: Preventing Patient Misidentification in
Electrocardiogram Databases through Neural Networks [0.0]
臨床的には, 誤診患者に対する心電図記録の割り当ては不注意に発生することがある。
本稿では,2つの心電図が同一患者に由来するかどうかを判定する,小型で効率的な神経ネットワークモデルを提案する。
PTB-XL 上でのギャラリープローブによる患者識別において、760 倍のパラメータを用いて最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-06-09T18:53:25Z) - MedalCare-XL: 16,900 healthy and pathological 12 lead ECGs obtained
through electrophysiological simulations [0.12417791895581763]
機械的心電気生理学的モデルでは、心臓の電気活動のパーソナライズされたシミュレーションと、それに続く心電図(ECG)を体表面で行うことができる。
電気生理学的シミュレーションに基づいて, 合計16,900個の心電図からなる新しい合成データベースを作成した。
仮想コホートと公用臨床心電図データベースとの抽出特徴の比較により, 臨床心電図の合成信号は健常者, 病理組織学的サブポピュレーションにおいて高い忠実度を有する症例において臨床心電図を表すことが示された。
論文 参考訳(メタデータ) (2022-11-29T07:46:39Z) - ME-GAN: Learning Panoptic Electrocardio Representations for Multi-view
ECG Synthesis Conditioned on Heart Diseases [24.52989747071257]
本稿では,ME-GAN と呼ばれる多視点心電図合成のための疾患認識型生成対向ネットワークを提案する。
心臓疾患の心電図は特定の波形に局所化されることが多いため,適切な場所に病情報を正確に注入する「ミックスアップ正規化」を提案する。
総合的な実験により,ME-GANは多視点ECG信号合成において信頼性の高いモルビッド表現を用いて良好に機能することが確認された。
論文 参考訳(メタデータ) (2022-07-21T14:14:02Z) - Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。
CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。
大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文 参考訳(メタデータ) (2022-06-04T13:16:30Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳(メタデータ) (2022-03-12T15:24:03Z) - 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) - 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。