Fugu-MT 論文翻訳(概要): VizECGNet: Visual ECG Image Network for Cardiovascular Diseases Classification with Multi-Modal Training and Knowledge Distillation

論文の概要: VizECGNet: Visual ECG Image Network for Cardiovascular Diseases Classification with Multi-Modal Training and Knowledge Distillation

arxiv url: http://arxiv.org/abs/2408.02888v1
Date: Tue, 6 Aug 2024 01:34:43 GMT
ステータス: 処理完了
システム内更新日: 2024-08-07 15:19:13.604232
Title: VizECGNet: Visual ECG Image Network for Cardiovascular Diseases Classification with Multi-Modal Training and Knowledge Distillation
Title（参考訳）: VizECGNet:マルチモーダルトレーニングと知識蒸留による心血管疾患分類のためのビジュアル心電図画像ネットワーク
Authors: Ju-Hyeon Nam, Seo-Hyung Park, Su Jung Kim, Sang-Chul Lee,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.7405975743268344
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: An electrocardiogram (ECG) captures the heart's electrical signal to assess various heart conditions. In practice, ECG data is stored as either digitized signals or printed images. Despite the emergence of numerous deep learning models for digitized signals, many hospitals prefer image storage due to cost considerations. Recognizing the unavailability of raw ECG signals in many clinical settings, we propose VizECGNet, which uses only printed ECG graphics to determine the prognosis of multiple cardiovascular diseases. During training, cross-modal attention modules (CMAM) are used to integrate information from two modalities - image and signal, while self-modality attention modules (SMAM) capture inherent long-range dependencies in ECG data of each modality. Additionally, we utilize knowledge distillation to improve the similarity between two distinct predictions from each modality stream. This innovative multi-modal deep learning architecture enables the utilization of only ECG images during inference. VizECGNet with image input achieves higher performance in precision, recall, and F1-Score compared to signal-based ECG classification models, with improvements of 3.50%, 8.21%, and 7.38%, respectively.
Abstract（参考訳）: 心電図(ECG)は、心臓の電気信号を捉え、様々な心臓状態を評価する。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。デジタル化された信号のための多くのディープラーニングモデルが出現したにもかかわらず、多くの病院はコストを考慮して画像記憶を好む。本研究は,心電図のみを用いて,複数の心血管疾患の予後を判定するVizECGNetを提案する。トレーニング中、相互注意モジュール(CMAM)は画像と信号の2つのモードからの情報を統合するために使用され、一方、自己注意モジュール(SMAM)は各モードのECGデータに固有の長距離依存関係をキャプチャする。さらに、知識蒸留を利用して、各モードストリームからの2つの異なる予測の類似性を改善する。この革新的なマルチモーダルディープラーニングアーキテクチャは、推論中にECG画像のみを活用することができる。 VizECGNetは、信号ベースのECG分類モデルと比較して精度、リコール、F1-Scoreが向上し、それぞれ3.50%、8.21%、および7.38%の改善がある。

関連論文リスト

Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
CMRxRecon2024: A Multi-Modality, Multi-View K-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI [39.0162369912624]
CMRxRecon2024データセットは、最も大きく、最も多種多様な公開されたk空間データセットである。健常者330名から取得され、一般的に使用されるモダリティ、解剖学的視点、臨床心臓MRIにおける獲得軌跡をカバーしている。
論文参考訳（メタデータ） (2024-06-27T09:50:20Z)
NERULA: A Dual-Pathway Self-Supervised Learning Framework for Electrocardiogram Signal Analysis [5.8961928852930034]
本稿では,シングルリードECG信号を対象とした自己教師型フレームワークNERULAを提案する。 NERULAのデュアルパスウェイアーキテクチャは、心電図再構成と非コントラスト学習を組み合わせて、詳細な心臓の特徴を抽出する。学習スペクトルに生成経路と識別経路を組み合わせることで、様々なタスクにおいて最先端の自己教師付き学習ベンチマークより優れた結果が得られることを示す。
論文参考訳（メタデータ） (2024-05-21T14:01:57Z)
MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-07T23:20:56Z)
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)
Unlocking the Diagnostic Potential of ECG through Knowledge Transfer from Cardiac MRI [6.257859765229826]
本稿では,CMR画像からECG埋め込みへドメイン固有情報を転送する,自己監督型コントラスト手法を提案する。本手法は,マルチモーダルコントラスト学習とマスク付きデータモデリングを組み合わせることで,心電図データのみから全体的心臓検診を可能にする。
論文参考訳（メタデータ） (2023-08-09T10:05:11Z)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
Automated Cardiovascular Record Retrieval by Multimodal Learning between Electrocardiogram and Clinical Report [28.608260758775316]
本稿では,Large Language Models (LLM) と Vision-Transformer (ViT) モデルにおける最近のブレークスルーを活用し,ECGの解釈に新たなアプローチを導入する。入力ECGデータに基づいて,最も類似した症例を自動的に同定する手法を提案する。本研究は,未開発地域において診断サービスを提供する上で重要な資源となる可能性がある。
論文参考訳（メタデータ） (2023-04-13T06:32:25Z)
SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文参考訳（メタデータ） (2022-10-31T07:36:48Z)
Two-stream Network for ECG Signal Classification [3.222802562733787]
本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。 MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
論文参考訳（メタデータ） (2022-10-05T08:14:51Z)
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)

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。