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/2307.01946v2
- Date: Fri, 14 Jul 2023 16:51:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 16:31:44.511094
- 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 Afagh Mehri Shervedani and Reza
Sameni
- Abstract要約: 本稿では,紙状ECGの背景をリアルなアーティファクトを用いて合成ECG画像を生成する新しい手法を提案する。
我々は12リードのPTB-XL ECG時系列データセットから21,801レコードのECG画像データセットを生成する。
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構築,訓練し,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: The electrocardiogram (ECG) is an accurate and widely available tool for
diagnosing cardiovascular diseases. ECGs have been recorded in printed formats
for decades and their digitization holds great potential for training machine
learning (ML) models in algorithmic ECG diagnosis. Physical ECG archives are at
risk of deterioration and scanning printed ECGs alone is insufficient, as ML
models require ECG time-series data. Therefore, the digitization and conversion
of paper ECG archives into time-series data is of utmost importance. Deep
learning models for image processing show promise in this regard. However, the
scarcity of ECG archives with reference time-series is a challenge. Data
augmentation techniques utilizing \textit{digital twins} present a potential
solution.
We introduce a novel method for generating synthetic ECG images on standard
paper-like ECG backgrounds with realistic artifacts. Distortions including
handwritten text artifacts, wrinkles, creases and perspective transforms are
applied to the generated images, without personally identifiable information.
As a use case, we generated an ECG image dataset of 21,801 records from the
12-lead PhysioNet PTB-XL ECG time-series dataset. A deep ECG image digitization
model was built 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$2.8\,dB, demonstrating the significance of the proposed
synthetic ECG image dataset for training deep learning models. The codebase is
available as an open-access toolbox for ECG research.
- Abstract（参考訳）: 心電図(Electrocardiogram、ECG)は、心血管疾患の正確な診断ツールである。
ECGは何十年にもわたって印刷形式に記録されており、そのデジタル化はアルゴリズムECG診断において機械学習(ML)モデルをトレーニングする大きな可能性を秘めている。
物理ECGアーカイブは劣化の危険性があり、印刷されたECGのみをスキャンするには不十分である。
したがって、紙ECGアーカイブの時系列データへのデジタル化と変換が最も重要である。
画像処理のためのディープラーニングモデルは、この点に関して有望である。
しかし、参照時系列によるecgアーカイブの不足は課題である。
textit{digital twins} を利用したデータ拡張技術は潜在的な解決策となる。
本稿では,紙状ECGの背景をリアルなアーティファクトを用いて合成ECG画像を生成する新しい手法を提案する。
生成画像には、手書きのテキストアーティファクト、しわ、折り目、パースペクティブ変換を含む歪みが、個人識別可能な情報なしで適用される。
ユースケースとして、12リードのPTB-XL ECG時系列データセットから、21,801レコードのECG画像データセットを生成した。
合成データセット上で深部心電図画像デジタイズモデルを構築し訓練し,合成画像から時系列データへの変換を行い,評価を行った。
snr(signal-to-noise ratio)を算出し,画像のデジタル化品質とグラウンド・トゥルータのecg時系列を比較した。
その結果,27$\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。
コードベースはECG研究用のオープンアクセスツールボックスとして利用できる。
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。