論文の概要: Comparing Deep Neural Network for Multi-Label ECG Diagnosis From Scanned ECG

• arxiv url: http://arxiv.org/abs/2502.14909v2
• Date: Thu, 06 Mar 2025 05:18:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 17:59:00.509609
• Title: Comparing Deep Neural Network for Multi-Label ECG Diagnosis From Scanned ECG
• Title（参考訳）: 走査心電図による多ラベル心電図診断のためのディープニューラルネットワークの比較
• Authors: Cuong V. Nguyen, Hieu X. Nguyen, Dung D. Pham Minh, Cuong D. Do,
• Abstract要約: 我々は、スキャンされたECGデータセット上で、AlexNet、VGG、ResNet、Vision Transformerを含む複数のディープニューラルネットワークアーキテクチャの性能を評価する。 比較分析では, モデル精度, 画像アーチファクトの堅牢性, 各種ECG条件における一般化可能性について検討した。 この結果は各アーキテクチャの長所と短所を強調し、画像ベースの心電図診断の実現可能性に関する洞察を提供する。
• 参考スコア（独自算出の注目度）: 1.2499537119440243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated ECG diagnosis has seen significant advancements with deep learning techniques, but real-world applications still face challenges when dealing with scanned paper ECGs. In this study, we explore multi-label classification of ECGs extracted from scanned images, moving beyond traditional binary classification (normal/abnormal). We evaluate the performance of multiple deep neural network architectures, including AlexNet, VGG, ResNet, and Vision Transformer, on scanned ECG datasets. Our comparative analysis examines model accuracy, robustness to image artifacts, and generalizability across different ECG conditions. Additionally, we investigate whether ECG signals extracted from scanned images retain sufficient diagnostic information for reliable automated classification. The findings highlight the strengths and limitations of each architecture, providing insights into the feasibility of image-based ECG diagnosis and its potential integration into clinical workflows.
• Abstract（参考訳）: ディープラーニング技術による自動心電図診断は大幅に進歩しているが、実際の応用はスキャンした紙心電図を扱う際にも課題に直面している。 本研究では,スキャン画像から抽出したECGのマルチラベル分類を,従来のバイナリ分類(正規/異常)を超えて検討する。 我々は、スキャンされたECGデータセット上で、AlexNet、VGG、ResNet、Vision Transformerを含む複数のディープニューラルネットワークアーキテクチャの性能を評価する。 比較分析では, モデル精度, 画像アーチファクトの堅牢性, 各種ECG条件における一般化可能性について検討した。 さらに,スキャン画像から抽出したECG信号が,信頼性の高い自動分類に十分な診断情報を保持できるかどうかを検討した。 この結果は、各アーキテクチャの長所と短所を強調し、画像ベースの心電図診断の実現可能性とその臨床ワークフローへの統合の可能性に関する洞察を提供する。

関連論文リスト

• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• 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)
• 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)
• 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)
• Graph Neural Networks for Topological Feature Extraction in ECG Classification [11.337163242503166]
  グラフニューラルネットワークを用いて心拍を分類する3つの手法を提案する。 提案した3つの手法は、それぞれ99.38、98.76、91.93パーセントの精度で不整脈分類予測を行うことができる。
  論文  参考訳（メタデータ） (2023-11-02T16:14:34Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
  超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。 既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。 本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T16:29:39Z)
• ECG-Image-Kit: A Synthetic Image Generation Toolbox to Facilitate Deep Learning-Based Electrocardiogram Digitization [3.4579920352329787]
  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合成したマルチリード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。 ケーススタディでは、PhyloNet QTデータベースから、ECG-Image-Kitを使用して、21,801個のECGイメージのデータセットを作成しました。 このデータセット上で、従来のコンピュータビジョンとディープニューラルネットワークモデルを組み合わせて、合成画像を時系列データに変換するようにトレーニングしました。
  論文  参考訳（メタデータ） (2023-07-04T22:42:55Z)
• DreamDiffusion: Generating High-Quality Images from Brain EEG Signals [42.30835251506628]
  DreamDiffusionは、脳脳波(EEG)信号から直接高品質な画像を生成する新しい方法である。 提案手法は、ノイズ、限られた情報、個人差などの画像生成に脳波信号を使用する際の課題を克服する。
  論文  参考訳（メタデータ） (2023-06-29T13:33:02Z)
• 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)
• 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)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• 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。