論文の概要: MSW-Transformer: Multi-Scale Shifted Windows Transformer Networks for 12-Lead ECG Classification

• arxiv url: http://arxiv.org/abs/2306.12098v1
• Date: Wed, 21 Jun 2023 08:27:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 14:19:18.933083
• Title: MSW-Transformer: Multi-Scale Shifted Windows Transformer Networks for 12-Lead ECG Classification
• Title（参考訳）: MSW-Transformer:12レベルECG分類のためのマルチスケールシフトWindows Transformer Networks
• Authors: Renjie Cheng, Zhemin Zhuang, Shuxin Zhuang, Lei Xie and Jingfeng Guo
• Abstract要約: マルチウィンドウスライディングアテンション機構を用いて,異なる次元の特徴を捉える単一層トランスフォーマーネットワークを提案する。 学習可能な特徴融合法が提案され、異なるウィンドウの機能を統合してモデル性能をさらに向上する。 提案手法は, PTBXL-2020 12-lead ECGデータセットの5つの分類課題に対して, 最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 6.353064734475176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic classification of electrocardiogram (ECG) signals plays a crucial role in the early prevention and diagnosis of cardiovascular diseases. While ECG signals can be used for the diagnosis of various diseases, their pathological characteristics exhibit minimal variations, posing a challenge to automatic classification models. Existing methods primarily utilize convolutional neural networks to extract ECG signal features for classification, which may not fully capture the pathological feature differences of different diseases. Transformer networks have advantages in feature extraction for sequence data, but the complete network is complex and relies on large-scale datasets. To address these challenges, we propose a single-layer Transformer network called Multi-Scale Shifted Windows Transformer Networks (MSW-Transformer), which uses a multi-window sliding attention mechanism at different scales to capture features in different dimensions. The self-attention is restricted to non-overlapping local windows via shifted windows, and different window scales have different receptive fields. A learnable feature fusion method is then proposed to integrate features from different windows to further enhance model performance. Furthermore, we visualize the attention mechanism of the multi-window shifted mechanism to achieve better clinical interpretation in the ECG classification task. The proposed model achieves state-of-the-art performance on five classification tasks of the PTBXL-2020 12-lead ECG dataset, which includes 5 diagnostic superclasses, 23 diagnostic subclasses, 12 rhythm classes, 17 morphology classes, and 44 diagnosis classes, with average macro-F1 scores of 77.85%, 47.57%, 66.13%, 34.60%, and 34.29%, and average sample-F1 scores of 81.26%, 68.27%, 91.32%, 50.07%, and 63.19%, respectively.
• Abstract（参考訳）: 心電図信号の自動分類は心血管疾患の早期予防と診断において重要な役割を担っている。 各種疾患の診断にはECG信号が用いられるが、その病態特性は最小限のばらつきを示し、自動分類モデルに挑戦する。 既存の手法は主に畳み込みニューラルネットワークを使用して分類のためのecg信号の特徴を抽出する。 トランスフォーマーネットワークはシーケンスデータの特徴抽出に利点があるが、完全なネットワークは複雑であり、大規模データセットに依存している。 これらの課題に対処するために,マルチスケールシフト Windows トランスフォーマネットワーク (MSW-Transformer Networks) と呼ばれる単一層トランスフォーマネットワークを提案する。 自己注意は、移動したウィンドウを介して非重なり合うローカルウィンドウに制限され、異なるウィンドウスケールは異なる受容フィールドを持つ。 学習可能な特徴融合法が提案され、異なるウィンドウの機能を統合してモデル性能をさらに向上する。 さらに,多ウィンドウシフト機構の注意機構を可視化し,ECG分類タスクにおいてより優れた臨床解釈を実現する。 5つの診断スーパークラス,23の診断サブクラス,12のリズムクラス,17の形態学クラス,44の診断クラス,77.85%の平均マクロF1スコア,47.57%,66.13%,34.60%,34.29%,平均サンプルF1スコアはそれぞれ81.26%,68.27%,91.32%,50.07%,63.19%である。

関連論文リスト

• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• HiFuse: Hierarchical Multi-Scale Feature Fusion Network for Medical Image Classification [16.455887856811465]
  本稿では,医用画像分類のためのHiFuseと呼ばれる3分岐階層型マルチスケール機能融合ネットワーク構造を提案する。 提案したISICデータセットの精度はベースラインより7.6%高く、Covid-19データセットは21.5%、Kvasirデータセットは10.4%である。
  論文  参考訳（メタデータ） (2022-09-21T09:30:20Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• 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)
• 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)
• Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification [0.6117371161379209]
  我々は、深い残留ニューラルネットワーク(ResNet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。 このアプローチでは、挑戦検証スコアが0.640、完全テストスコアが0.485となり、公式ランキングで41中4位になった。
  論文  参考訳（メタデータ） (2020-10-15T10:13:31Z)
• ECG Classification with a Convolutional Recurrent Neural Network [0.13903116275861838]
  我々は、Pink Irish Hatチームとして、PhyloNet/Computer in Cardiology 2020の課題に対して、12リードのECG信号を分類する畳み込みリカレントネットワークを開発した。 モデルは畳み込み層と繰り返し層を結合し、ECG信号のスライディングウィンドウを入力とし、各クラスの確率を出力とする。 我々のネットワークは、隠れ検証セットで0.511点、全隠れテストセットで0.167点を達成し、公式ランキングで41点中23位にランクインした。
  論文  参考訳（メタデータ） (2020-09-28T13:41:59Z)
• Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
  本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。 提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
  論文  参考訳（メタデータ） (2020-07-18T05:46:47Z)

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。