Fugu-MT 論文翻訳(概要): ECG-Image-Kit: A Synthetic Image Generation Toolbox to Facilitate Deep Learning-Based Electrocardiogram Digitization

論文の概要: ECG-Image-Kit: A Synthetic Image Generation Toolbox to Facilitate Deep Learning-Based Electrocardiogram Digitization

arxiv url: http://arxiv.org/abs/2307.01946v3
Date: Fri, 26 Jan 2024 18:59:20 GMT
ステータス: 処理完了
システム内更新日: 2024-01-29 18:26:32.805269
Title: ECG-Image-Kit: A Synthetic Image Generation Toolbox to Facilitate Deep Learning-Based Electrocardiogram Digitization
Title（参考訳）: ECG-Image-Kit: 深層学習に基づく心電図デジタル化を実現する合成画像生成ツールボックス
Authors: Kshama Kodthalu Shivashankara, Deepanshi, Afagh Mehri Shervedani, Gari D. Clifford, Matthew A. Reyna, Reza Sameni
Abstract要約: 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用いて合成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。畳み込み畳み込みニューラルネットワーク(DnCNN)ベースのモデルを開発し、この合成データセットに基づいて訓練した。その結果,11.17 +/-9.19 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において,合成ECG画像データセットの重要性が示唆された。
参考スコア（独自算出の注目度）: 3.4579920352329787
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce ECG-Image-Kit, an open-source toolbox for generating synthetic ECG images with realistic artifacts from time-series data, and showcase its application in developing algorithms for data augmentation and ECG image digitization. Synthetic data is generated by producing distortionless ECG images on a standard ECG paper background. Subsequently, various distortions, including handwritten text artifacts, wrinkles, creases, and perspective transformations, are applied to these ECG images. The artifacts and text are synthetically generated, excluding personally identifiable information. The toolbox is used for data augmentation in the 2024 PhysioNet Challenge on Digitization and Classification of ECG Images. As a case study, we employed ECG-Image-Kit to create an ECG image dataset of 21,801 records from the PhysioNet QT database. A denoising convolutional neural network (DnCNN)-based model was developed and trained on this synthetic dataset and used to convert the synthetically generated images back into time-series data for evaluation. SNR was calculated to assess the quality of image digitization compared to the ground truth ECG time-series. The results show an average signal recovery SNR of 11.17 +/- 9.19 dB, indicating the synthetic ECG image dataset's significance for training deep learning models. For clinical evaluation, we measured the error between the estimated and ground-truth time-series data's RR and QT-intervals. The accuracy of the estimated RR and QT-intervals also suggests that the respective clinical parameters are maintained. These results demonstrate the effectiveness of a deep learning-based pipeline in accurately digitizing paper ECGs and highlight a generative approach to digitization.
Abstract（参考訳）: 時系列データからリアルなアーティファクトを用いて合成ECG画像を生成するオープンソースツールボックスであるECG-Image-Kitを導入し、データ拡張とECG画像のデジタル化のためのアルゴリズムの開発においてその応用を実証する。標準ECG紙の背景に歪みのないECG画像を生成して合成データを生成する。その後、これらのecg画像に手書きのテキストアーティファクト、しわ、折り目、視点変換など様々な歪みが適用される。人工物とテキストは合成され、個人識別可能な情報を除く。このツールボックスは、ecg画像のデジタル化と分類に関する2024年のphysionet challengeのデータ拡張に使われる。ケーススタディでは、PhyloNet QTデータベースから、ECG-Image-Kitを用いて21,801レコードのECGイメージデータセットを作成しました。合成データセットをベースとしたデノイング畳み込みニューラルネットワーク(DnCNN)に基づくモデルを開発し,合成した画像を時系列データに変換して評価を行った。画像のデジタル化の質を評価するため,SNRを算出した。その結果,11.17 +/-9.19 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において,合成ECG画像データセットの重要性が示唆された。臨床評価のために, 推定時系列データと地上時系列データのRRとQT間隔の誤差を測定した。推定rrおよびqt-intervalsの精度は,各臨床パラメータが維持されていることを示唆する。これらの結果は,紙ECGの正確なデジタル化における深層学習パイプラインの有効性を示し,デジタル化に対する生成的アプローチを強調した。

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。