論文の概要: A Synthetic Electrocardiogram (ECG) Image Generation Toolbox to
Facilitate Deep Learning-Based Scanned ECG Digitization
- arxiv url: http://arxiv.org/abs/2307.01946v1
- Date: Tue, 4 Jul 2023 22:42:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 15:42:25.535036
- Title: A Synthetic Electrocardiogram (ECG) Image Generation Toolbox to
Facilitate Deep Learning-Based Scanned ECG Digitization
- Title(参考訳): 深層学習に基づく走査心電図デジタル化を実現するための心電図画像生成ツールボックス
- Authors: Kshama Kodthalu Shivashankara and Reza Sameni
- Abstract要約: 本稿では,ECG画像のデジタル化のためのアルゴリズムを開発するために,時系列データからリアルなアーティファクトを用いた合成心電図(ECG)画像を生成する新しい手法を提案する。
症例として,PhyloNet PTB-XLデータセットから大容量ECG画像データセット21,801枚を作成した。
合成データセットに基づいて深部心電図画像のデジタル化モデルを開発し, 評価のために, 合成画像を時系列データに変換するために利用した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Access to medical data is often limited as it contains protected health
information (PHI). There are privacy concerns regarding using records
containing personally identifiable information. Recent advancements have been
made in applying deep learning-based algorithms for clinical diagnosis and
decision-making. However, deep learning models are data-greedy, whereas the
availability of medical datasets for training and evaluating these models is
relatively limited. Data augmentation with so-called \textit{digital twins} is
an emerging technique to address this need. This paper presents a novel
approach for generating synthetic electrocardiogram (ECG) images with realistic
artifacts from time-series data for use in developing algorithms for
digitization of ECG images. Synthetic data is generated in a privacy-preserving
manner by generating distortionless ECG images on standard ECG paper
background. Next, various distortions, including handwritten text artifacts,
wrinkles, creases, and perspective transforms are applied to the ECG images.
The artifacts are generated synthetically, without personally identifiable
information. As a use case, we generated a large ECG image dataset of 21,801
records from the PhysioNet PTB-XL dataset, with 12 lead ECG time-series data
from 18,869 patients. A deep ECG image digitization model was developed and
trained on the synthetic dataset, and was employed to convert the synthetic
images to time-series data for evaluation. The signal-to-noise ratio (SNR) was
calculated to assess the image digitization quality vs the ground truth ECG
time-series. The results show an average signal recovery SNR of 27$\pm$2.8\,dB,
demonstrating the significance of the proposed synthetic ECG image dataset for
training deep learning models.
- Abstract(参考訳): 医療データへのアクセスは、保護された健康情報(PHI)を含むため、しばしば制限される。
個人識別可能な情報を含むレコードの使用に関するプライバシー上の懸念がある。
近年,臨床診断と意思決定に深層学習に基づくアルゴリズムを適用している。
しかし、ディープラーニングモデルはデータグラデーションであり、これらのモデルのトレーニングと評価のための医療データセットは比較的限られている。
いわゆる \textit{digital twins}によるデータ拡張は、このニーズに対処する新たなテクニックである。
本稿では,ecg画像のデジタイズアルゴリズムを開発するために,時系列データから人工心電図(ecg)画像を生成する新しい手法を提案する。
標準ECG紙の背景に歪みのないECG画像を生成することにより、プライバシ保存方式で合成データを生成する。
次に、ECG画像に手書きのテキストアーティファクト、しわ、クレーゼ、パースペクティブ変換を含む様々な歪みを適用する。
人工物は、個人を特定することなく、合成的に生成される。
使用例として,生理学のptb-xlデータセットから21,801個の大規模心電図画像データセットを作成し,18,869人の患者から12個のリード心電図時系列データを得た。
合成データセットを用いた深部心電図デジタイズモデルを開発し,評価のために合成画像から時系列データへの変換を行った。
snr(signal-to-noise ratio)を算出し,画像のデジタル化品質とグラウンド・トゥルータのecg時系列を比較した。
その結果,27$\pm$2.8\,dBの平均信号回復SNRが示され,深層学習モデルのトレーニングのための合成ECG画像データセットの重要性が示された。
関連論文リスト
- Teach Multimodal LLMs to Comprehend Electrocardiographic Images [10.577263066644194]
我々は、100万以上のサンプルからなる総合的なECGイメージインストラクションチューニングデータセットであるECGInstructを紹介する。
また,心電図の理解に適したMLLMであるPULSEを開発した。
実験の結果,PULSEは従来のMLLMよりも15%から30%の精度向上を実現した。
論文 参考訳(メタデータ) (2024-10-21T20:26:41Z) - Combining Hough Transform and Deep Learning Approaches to Reconstruct ECG Signals From Printouts [2.374912052693646]
この研究は、2024年のGeorge B. Moody PhysioNet Challengeに対する私たちのチームの勝利の貢献を示します。
チャレンジには2つの目標があった: 印刷物から心電図信号を再構成し、それらを心臓病に分類する。
本モデルでは, CV信号対雑音平均比17.02, 隠しセットにおける公式チャレンジスコア12.15を達成し, 競技における第1位を確保した。
論文 参考訳(メタデータ) (2024-10-18T05:36:24Z) - 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) - 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) - End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。
AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
論文 参考訳(メタデータ) (2024-06-01T16:20:59Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - Auto Lead Extraction and Digitization of ECG Paper Records using cGAN [0.23624125155742054]
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。
論文 参考訳(メタデータ) (2022-11-12T18:36:29Z) - 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) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳(メタデータ) (2020-09-01T19:17:46Z) - 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。