Fugu-MT 論文翻訳(概要): Fine-grained Contrastive Learning for ECG-Report Alignment with Waveform Enhancement

論文の概要: Fine-grained Contrastive Learning for ECG-Report Alignment with Waveform Enhancement

arxiv url: http://arxiv.org/abs/2505.11939v2
Date: Mon, 29 Sep 2025 05:21:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-30 17:47:08.93537
Title: Fine-grained Contrastive Learning for ECG-Report Alignment with Waveform Enhancement
Title（参考訳）: 波形強調によるECGレポートアライメントのための微粒化コントラスト学習
Authors: Haitao Li, Che Liu, Zhengyao Ding, Ziyi Liu, Wenqi Shao, Zhengxing Huang,
Abstract要約: 既存のECG-Reportコントラスト学習手法は、全ECGとレポートアライメントに重点を置いている。本報告では,特定のECGセグメントと各タグとの微粒なアライメントを実現するFG-CLEPを提案する。 6つのデータセットの実験により、FG-CLEPはきめ細かいアライメントを大幅に改善することが示された。
参考スコア（独自算出の注目度）: 35.52989050864291
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Electrocardiograms (ECGs) are essential for diagnosing cardiovascular diseases. However, existing ECG-Report contrastive learning methods focus on whole-ECG and report alignment, missing the link between local ECG features and individual report tags. In this paper, we propose FG-CLEP (Fine-Grained Contrastive Language ECG Pre-training), which achieves fine-grained alignment between specific ECG segments and each tag in the report via tag-specific ECG representations. Furthermore, we found that nearly 55\% of ECG reports in the MIMIC-ECG training dataset lack detailed waveform features, which hinders fine-grained alignment. To address this, we introduce a coarse-to-fine training process that leverages large language models (LLMs) to recover these missing waveform features and validate the LLM outputs using a coarse model. Additionally, fine-grained alignment at the tag level, rather than at the report level, exacerbates the false negative problem, as different reports may share common tags. To mitigate this, we introduce a semantic similarity matrix to guide the model in identifying and correcting false negatives. Experiments on six datasets demonstrate that FG-CLEP significantly improves fine-grained alignment, outperforming state-of-the-art methods in both zero-shot prediction and linear probing. Meanwhile, the fine-grained reports we generate also enhance the performance of other methods.
Abstract（参考訳）: 心電図は心血管疾患の診断に必須である。しかし、既存のECG-Reportコントラスト学習手法は、ECG全体とレポートアライメントに重点を置いており、ローカルECG特徴と個々のレポートタグとのリンクを欠いている。本稿では,FG-CLEP(Fine-Grained Contrastive Language ECG Pre-training)を提案する。さらに、MIMIC-ECGトレーニングデータセットにおけるECGレポートの55%近くは、詳細な波形機能を持たず、微粒なアライメントを妨げていることがわかった。そこで本稿では,大規模言語モデル(LLM)を利用した粗大な学習プロセスを導入し,これらの欠落した波形の特徴を復元し,粗大なモデルを用いてLLM出力を検証する。さらに、レポートレベルでではなく、タグレベルでのきめ細かいアライメントは、異なるレポートが共通のタグを共有するため、偽陰性問題を悪化させる。これを軽減するために,モデルに偽陰性を識別・修正するための意味的類似性行列を導入する。 6つのデータセットの実験により、FG-CLEPは微細なアライメントを著しく改善し、ゼロショット予測と線形探索の両方において最先端の手法より優れていることが示された。一方、我々が生成する細粒度レポートは、他の手法の性能も向上する。

関連論文リスト

TolerantECG: A Foundation Model for Imperfect Electrocardiogram [6.8878798499351]
TolerantECGは、ノイズに対して堅牢で、標準の12リードECGの任意のサブセットで機能するECG信号の基礎モデルである。 TolerantECGトレーニングは、コントラストと自己教師付き学習フレームワークを組み合わせて、ECG信号表現を共同で学習する。ベンチマークの結果、TolerantECGは、様々なECG信号条件において、最高または第2位のパフォーマーとして一貫してランク付けされている。
論文参考訳（メタデータ） (2025-07-14T03:48:35Z)
Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
論文参考訳（メタデータ） (2025-06-24T17:19:39Z)
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)
FADE: Forecasting for Anomaly Detection on ECG [4.914228925573227]
本研究の目的は,通常の心電図予測と異常検出のために設計された深層学習システムFADEを提案することである。 FADEは、新しい形態学的にインスパイアされた損失関数で、自己監督的な方法で訓練されている。本手法は,心電図信号と実際のセンサデータとの新たな距離関数を用いて,心臓の異常を効果的に同定する。
論文参考訳（メタデータ） (2025-02-11T09:19:39Z)
Unlocking the Potential of Weakly Labeled Data: A Co-Evolutionary Learning Framework for Abnormality Detection and Report Generation [44.41011570487469]
臨床における胸部X線(CXR)の解剖学的異常検出と報告生成は2つの重要な課題である。既存の手法は、それぞれのタスクを別々に焦点を合わせ、相関を無視することが多い。本研究は,共進化異常検出および報告生成フレームワークを提案する。
論文参考訳（メタデータ） (2024-12-18T08:31:26Z)
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)
ECG Semantic Integrator (ESI): A Foundation ECG Model Pretrained with LLM-Enhanced Cardiological Text [14.06147507373525]
本研究は,12誘導ECG信号の学習表現の品質とロバスト性の向上を目的とした,新しいマルチモーダルコントラスト保持フレームワークを提案する。私たちのフレームワークは、Cardio Query Assistant(CQA)とECG Semantics Integrator(ESI)の2つの重要なコンポーネントで構成されています。
論文参考訳（メタデータ） (2024-05-26T06:45:39Z)
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)
Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。 F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
論文参考訳（メタデータ） (2023-04-13T03:20:45Z)
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)
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)
A Novel Transfer Learning-Based Approach for Screening Pre-existing Heart Diseases Using Synchronized ECG Signals and Heart Sounds [0.5621251909851629]
心臓疾患の早期診断は, 肺高血圧, 心臓リズム障害, 血栓, 心不全, 突然の心停止などの合併症を予防するために重要である。このような疾患を識別するために、心電図(PCG)および心電図(ECG)波形は重要な情報を伝達する。本稿では,PCGとECGを同時取得したPhystoNet Challenge 2016データセットのサブセットを用いて,この仮説を評価する。我々の新しいDual-Convolutional Neural Networkベースのアプローチは、トランスファーラーニングを使用して、一般公開されているPCGとECGの同時データ量に制限のある問題に対処する。
論文参考訳（メタデータ） (2021-02-02T19:51:12Z)

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。