論文の概要: Bidirectional Fusion Guided by Cardiac Patterns for Semi-Supervised ECG Segmentation

• arxiv url: http://arxiv.org/abs/2605.15722v1
• Date: Fri, 15 May 2026 08:18:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.310493
• Title: Bidirectional Fusion Guided by Cardiac Patterns for Semi-Supervised ECG Segmentation
• Title（参考訳）: 半監督心電図分割のための心電図による双方向核融合法
• Authors: Jeonghwa Lim, Minje Park, Sunghoon Joo,
• Abstract要約: 本稿では,ECGセグメンテーションのための双方向CutMix戦略上に構築されたCardioMixについて紹介する。 本フレームワークは,様々なSemiSegアルゴリズムとの高互換性を示すプラグイン・アンド・プレイモジュールとして設計されている。
• 参考スコア（独自算出の注目度）: 3.604879434384177
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate delineation of electrocardiogram (ECG), the segmentation of meaningful waveform features, is crucial for cardiovascular diagnostics. However, the scarcity of annotated data poses a significant challenge for training deep learning models. Conventional semi-supervised semantic segmentation (SemiSeg) methods primarily focus on consistency from unlabeled data, underutilizing the information exchange possible between labeled and unlabeled sets. To address this, we introduce CardioMix, a framework built on a bidirectional CutMix strategy guided by cardiac patterns for ECG segmentation. This approach enriches the labeled set with realistic variations from unlabeled data while simultaneously applying stronger supervisory signals to the unlabeled set, as the cardiac pattern-guided mixing ensures all augmented samples remain physiologically meaningful. Our framework is designed as a plug-and-play module, demonstrating high compatibility with various SemiSeg algorithms. Extensive experiments on SemiSegECG, a public multi-dataset benchmark for ECG delineation, demonstrate that CardioMix consistently outperforms existing CutMix-based fusion strategies across diverse datasets and labeled ratios as a plug-and-play module compatible with various SemiSeg algorithms.
• Abstract（参考訳）: 心電図(ECG)の正確なデライン化は,有意な波形特徴のセグメンテーションであり,心血管疾患の診断に不可欠である。 しかし、注釈付きデータの不足は、ディープラーニングモデルをトレーニングする上で大きな課題となる。 従来の半教師付きセマンティックセマンティックセグメンテーション(SemiSeg)の手法は、ラベル付きデータセットとラベル付きデータセットの間の情報交換を弱め、ラベル付きデータからの一貫性に重点を置いている。 そこで我々は,心電図セグメンテーションのための心電図パターンでガイドされた双方向CutMix戦略に基づいて構築されたCardioMixを紹介した。 このアプローチは、心パターン誘導ミキシングにより、すべての拡張サンプルが生理的に有意であることを保証するため、ラベル付データセットをラベル付データから現実的なバリエーションで強化すると同時に、ラベル付セットに強力なスーパーバイザリーシグナルを同時に適用する。 本フレームワークは,様々なSemiSegアルゴリズムとの高互換性を示すプラグイン・アンド・プレイモジュールとして設計されている。 ECG Delineationの公開マルチデータセットベンチマークであるSemiSegECGの大規模な実験では、CardioMixはさまざまなデータセット間で既存のCutMixベースの融合戦略を一貫して上回り、様々なSemiSegアルゴリズムと互換性のあるプラグイン・アンド・プレイモジュールとしてラベル付けされている。

関連論文リスト

• Uncertainty-aware Cross-training for Semi-supervised Medical Image Segmentation [45.96892342675963]
  半教師型医療画像(UC-Seg)のための不確実性を考慮したクロストレーニングフレームワークを提案する。 本手法は,他の最先端半教師付き手法と比較して,セグメンテーション精度と一般化性能に優れる。
  論文  参考訳（メタデータ） (2025-08-12T15:28:10Z)
• 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)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM [14.02717596836022]
  本稿では,ECG信号のマルチラベル分類手法であるxLSTM-ECGを提案する。 我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
  論文  参考訳（メタデータ） (2025-04-14T16:12:46Z)
• Multi-scale Masked Autoencoder for Electrocardiogram Anomaly Detection [5.614826802517409]
  MMAE-ECGはECG信号を非重複セグメントに分割し、各セグメントは学習可能な位置埋め込みを割り当てる。 新しいマルチスケールマスキング戦略とマルチスケールアテンション機構は、異なる位置埋め込みとともに、軽量なトランスフォーマーエンコーダを実現する。
  論文  参考訳（メタデータ） (2025-02-08T08:18:38Z)
• 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)
• Amplitude-Phase Fusion for Enhanced Electrocardiogram Morphological Analysis [5.829027334954726]
  本稿では,新しい融合エントロピー計量であるモルフォロジーECGエントロピー(EE)を初めて提案する。 EEは異常心電図不整脈領域の迅速かつ正確かつラベルフリーな局在を実現する。 EEは品質の悪い領域を記述する能力を示す。
  論文  参考訳（メタデータ） (2024-04-15T12:29:16Z)
• 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)
• 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)

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。