論文の概要: Masked Training for Robust Arrhythmia Detection from Digitalized Multiple Layout ECG Images

• arxiv url: http://arxiv.org/abs/2508.09165v1
• Date: Wed, 06 Aug 2025 07:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.572142
• Title: Masked Training for Robust Arrhythmia Detection from Digitalized Multiple Layout ECG Images
• Title（参考訳）: マルチレイアウト心電図画像からのロバスト不整脈検出のための仮面トレーニング
• Authors: Shanwei Zhang, Deyun Zhang, Yirao Tao, Kexin Wang, Shijia Geng, Jun Li, Qinghao Zhao, Xingpeng Liu, Yuxi Zhou, Shenda Hong,
• Abstract要約: この研究は適応的可変ブロック数欠落表現学習のためのフレームワークであるPatchECGを導入した。 PatchECGは、リード間の協調依存関係を持つキーパッチに自動的にフォーカスし、異なるレイアウトのECGにおける不整脈をキー認識する。
• 参考スコア（独自算出の注目度）: 15.710783507780903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiogram (ECG) as an important tool for diagnosing cardiovascular diseases such as arrhythmia. Due to the differences in ECG layouts used by different hospitals, the digitized signals exhibit asynchronous lead time and partial blackout loss, which poses a serious challenge to existing models. To address this challenge, the study introduced PatchECG, a framework for adaptive variable block count missing representation learning based on a masking training strategy, which automatically focuses on key patches with collaborative dependencies between leads, thereby achieving key recognition of arrhythmia in ECGs with different layouts. Experiments were conducted on the PTB-XL dataset and 21388 asynchronous ECG images generated using ECG image kit tool, using the 23 Subclasses as labels. The proposed method demonstrated strong robustness under different layouts, with average Area Under the Receiver Operating Characteristic Curve (AUROC) of 0.835 and remained stable (unchanged with layout changes). In external validation based on 400 real ECG images data from Chaoyang Hospital, the AUROC for atrial fibrillation diagnosis reached 0.778; On 12 x 1 layout ECGs, AUROC reaches 0.893. This result is superior to various classic interpolation and baseline methods, and compared to the current optimal large-scale pre-training model ECGFounder, it has improved by 0.111 and 0.19.
• Abstract（参考訳）: 心電図(ECG)は不整脈などの心血管疾患を診断するための重要なツールである。 異なる病院で使用されるECGレイアウトの違いにより、デジタル化された信号は非同期のリードタイムと部分的なブラックアウトロスを示し、既存のモデルに深刻な課題をもたらす。 この課題に対処するため、PatchECGは、マスクトレーニング戦略に基づく適応的可変ブロック数不足表現学習のためのフレームワークであり、リード間の協調的な依存関係を持つキーパッチに自動的に焦点を合わせ、異なるレイアウトのECGにおける不整脈の鍵認識を実現する。 PTB-XLデータセットとECGイメージキットツールを用いて生成した21388個の非同期ECGイメージに対して,23個のサブクラスをラベルとして実験を行った。 提案手法は,AUROC(Area Under the Receiver Operating Characteristics Curve)が0.835であり,レイアウト変更に伴う安定性が保たれた。 チャオヤン病院の実際の心電図データに基づく外部検証では、心房細動診断のためのAUROCは0.778となり、12 x 1レイアウトの心電図では0.893となった。 この結果は様々な古典的補間法やベースライン法よりも優れており、現在の大規模事前学習モデルのECGFounderと比較して0.111と0.19に改善されている。

関連論文リスト

• 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)
• Heart Rate Classification in ECG Signals Using Machine Learning and Deep Learning [0.0]
  本研究は心電図信号からの心拍を2つの異なるアプローチで分類する。 従来の機械学習は、手作りの機能と、ECGビートを変換した画像によるディープラーニングを利用している。 SVMやAdaBoostのようなモデルではスコアが大幅に低くなり、このタスクには限定的な適合性を示した。
  論文  参考訳（メタデータ） (2025-06-02T05:16:16Z)
• AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
  心電図(ECG)は急性心臓発作の検出に非常に敏感である。 本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
  論文  参考訳（メタデータ） (2024-11-17T17:32:58Z)
• rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
  本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。 提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
  論文  参考訳（メタデータ） (2024-10-09T11:17:02Z)
• 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)
• 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)
• Deep Learning Models for Arrhythmia Classification Using Stacked Time-frequency Scalogram Images from ECG Signals [4.659427498118277]
  本稿では,心電図に基づく不整脈分類のためのAI自動分類システムを提案する。 深層学習に基づく解法は心電図に基づく不整脈分類のために提案されている。
  論文  参考訳（メタデータ） (2023-12-01T03:16:32Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• 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)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。