論文の概要: Conditional Electrocardiogram Generation Using Hierarchical Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2503.13469v1
• Date: Mon, 03 Mar 2025 13:30:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-23 07:08:04.995813
• Title: Conditional Electrocardiogram Generation Using Hierarchical Variational Autoencoders
• Title（参考訳）: 階層型変分オートエンコーダを用いた条件心電図生成
• Authors: Ivan Sviridov, Konstantin Egorov,
• Abstract要約: 我々は、ECG信号生成(cNVAE-ECG)のための条件付きヌーヴォーVAEモデルを提案する。 本稿では,ECG信号生成(cNVAE-ECG)のための公用条件付きVAEモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Cardiovascular diseases (CVDs) are disorders impacting the heart and circulatory system. These disorders are the foremost and continuously escalating cause of mortality worldwide. One of the main tasks when working with CVDs is analyzing and identifying pathologies on a 12-lead electrocardiogram (ECG) with a standard 10-second duration. Using machine learning (ML) in automatic ECG analysis increases CVD diagnostics' availability, speed, and accuracy. However, the most significant difficulty in developing ML models is obtaining a sufficient training dataset. Due to the limitations of medical data usage, such as expensiveness, errors, the ambiguity of labels, imbalance of classes, and privacy issues, utilizing synthetic samples depending on specific pathologies bypasses these restrictions and improves algorithm quality. Existing solutions for the conditional generation of ECG signals are mainly built on Generative Adversarial Networks (GANs), and only a few papers consider the architectures based on Variational Autoencoders (VAEs), showing comparable results in recent works. This paper proposes the publicly available conditional Nouveau VAE model for ECG signal generation (cNVAE-ECG), which produces high-resolution ECGs with multiple pathologies. We provide an extensive comparison of the proposed model on various practical downstream tasks, including transfer learning scenarios showing an area under the receiver operating characteristic (AUROC) increase up to 2% surpassing GAN-like competitors.
• Abstract（参考訳）: 心血管疾患(きゅうきゅうかん、英: Cardiovascular disease, CVDs)は、心臓や循環系に影響を及ぼす疾患である。 これらの疾患は、世界中で最も多く、継続的な死亡原因である。 CVDを扱う際の主な課題の1つは、標準の10秒間の12誘導心電図(ECG)の病態を分析し、同定することである。 自動ECG分析に機械学習(ML)を使用すると、CVD診断の可用性、速度、精度が向上する。 しかし、MLモデルを開発する上で最も重要な困難は、十分なトレーニングデータセットを得ることである。 高価さ、エラー、ラベルのあいまいさ、クラスの不均衡、プライバシー問題といった医療データの使用制限のため、特定の病理に依存した合成サンプルを利用することで、これらの制限を回避し、アルゴリズムの品質を向上させる。 既存のECG信号の条件付き生成ソリューションは主にGAN(Generative Adversarial Networks)上に構築されており、最近の研究で同等の結果を示す変分オートエンコーダ(VAE)に基づくアーキテクチャを考える論文はごくわずかである。 本稿では,複数の病態を持つ高分解能心電図を生成するECG信号生成(cNVAE-ECG)のための,パブリックな条件付きVOEモデルを提案する。 本稿では,AUROC(受信操作特性)の領域がGANライクな競合よりも最大2%増加することを示す伝達学習シナリオを含む,様々な下流業務における提案モデルの比較を行った。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
  短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。 新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。 DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
  論文  参考訳（メタデータ） (2024-07-25T13:27:10Z)
• Semi-Supervised Learning for Multi-Label Cardiovascular Diseases Prediction:A Multi-Dataset Study [17.84069222975825]
  現在の心電図に基づく診断システムは,ディープラーニング技術の急速な発展により,有望な性能を示す。 ラベル不足、複数のCVDの共起、目に見えないデータセットのパフォーマンスの低下は、ディープラーニングベースのモデルの普及を妨げる。 本稿では,複数のCVDを同時に認識するマルチラベル半教師付きモデル(ECGMatch)を提案する。
  論文  参考訳（メタデータ） (2023-06-18T07:46:19Z)
• Hierarchical Deep Learning with Generative Adversarial Network for Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
  本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。 第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。 第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
  論文  参考訳（メタデータ） (2022-10-19T12:29:05Z)
• GeoECG: Data Augmentation via Wasserstein Geodesic Perturbation for Robust Electrocardiogram Prediction [20.8603653664403]
  本稿では,心電図信号に基づく心疾患検出の堅牢性を高めるために,生理学的に着想を得たデータ拡張手法を提案する。 我々は、ワッサーシュタイン空間の測地線に沿った他のクラスに対してデータ分布を摂動することで、拡張されたサンプルを得る。 12個の心電図信号から学習し,心臓状態の5つのカテゴリを識別できる。
  論文  参考訳（メタデータ） (2022-08-02T03:14:13Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• Synthetic ECG Signal Generation Using Generative Neural Networks [7.122393663641668]
  本研究は,GAN(Generative Adversarial Network)ファミリーから5つの異なるモデルの合成ECG生成能力について検討した。 以上の結果から, 全ての実験モデルにおいて, 形態学的特徴に高い類似性を有する許容心拍の大量生成に成功できることが示唆された。
  論文  参考訳（メタデータ） (2021-12-05T20:28:55Z)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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。