Fugu-MT 論文翻訳(概要): MSAIC-Net: A Multi-Scale Attention and Imbalance-Aware Contrastive Network for ECG-Based Myocardial Substrate Abnormality Detection

論文の概要: MSAIC-Net: A Multi-Scale Attention and Imbalance-Aware Contrastive Network for ECG-Based Myocardial Substrate Abnormality Detection

arxiv url: http://arxiv.org/abs/2606.06718v1
Date: Thu, 04 Jun 2026 21:08:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-08 14:33:29.448494
Title: MSAIC-Net: A Multi-Scale Attention and Imbalance-Aware Contrastive Network for ECG-Based Myocardial Substrate Abnormality Detection
Title（参考訳）: MSAIC-Net:心電図ベース心筋基板異常検出のためのマルチスケール注意・不均衡対応コントラストネットワーク
Authors: Canyu Lei, Fenglin Zhang, Derek Bivona, Cristiane Singulane, Jonathan Pan, Kenneth Bilchick, Amit R. Patel, Jianxin Xie,
Abstract要約: 心筋梗塞や心筋梗塞などの心筋基質異常は, 心血管障害の原因となる。本稿では,心電図に基づく心筋基質異常検出のためのマルチスケールアテンション強化畳み込みネットワーク(MSAIC-Net)を提案する。 MSAIC-Netは、複数の時間的受容領域にまたがるECG特徴を抽出するために、並列なアトラスな畳み込み枝を用いる。
参考スコア（独自算出の注目度）: 1.1242503819703258
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Myocardial substrate abnormalities, such as myocardial scar and myocardial infarction (MI), are associated with adverse cardiovascular outcomes. Electrocardiography (ECG) provides a low-cost and widely available tool for detecting these abnormalities, but ECG-based detection remains challenging due to heterogeneous lead-dependent manifestations, high-dimensional multi-lead signals, class imbalance, and the limited interpretability of deep learning models. We propose a multi-scale attention-enhanced convolutional network (MSAIC-Net) for ECG-based myocardial substrate abnormality detection. MSAIC-Net employs parallel atrous convolutional branches to extract ECG features across multiple temporal receptive fields. %, enabling the model to capture both local and longer-range temporal patterns. Channel attention is then used to adaptively reweight informative lead-wise and feature-channel representations. To address class imbalance and improve feature separability, we introduce a novel imbalance-aware supervised contrastive learning strategy that encourages samples from the same class to form compact representations while increasing separation between abnormal and normal samples. Lead-wise permutation importance is further incorporated to quantify the contribution of each ECG lead and improve model interpretability. The proposed method was evaluated on two complementary datasets: a low-data institutional cohort from the University of Virginia (UVA) Health System for myocardial scar classification and the large-scale public PTB-XL dataset from PhysioNet for MI identification. Experimental results show that MSAIC-Net outperforms baseline models, with particularly pronounced improvements in the low-data UVA cohort. Overall, the proposed framework provides an effective and interpretable approach for ECG-based detection of myocardial substrate abnormalities.
Abstract（参考訳）: 心筋梗塞や心筋梗塞などの心筋基質異常は, 心血管障害の原因となる。心電図(ECG)は、これらの異常を検出するための低コストで広く利用可能なツールを提供するが、心電図に基づく検出は、不均一な鉛依存症状、高次元多重リード信号、クラス不均衡、深層学習モデルの限定的解釈性により、依然として困難である。本稿では,心電図に基づく心筋基質異常検出のためのマルチスケールアテンション強化畳み込みネットワーク(MSAIC-Net)を提案する。 MSAIC-Netは、複数の時間的受容領域にまたがるECG特徴を抽出するために、並列なアトラスな畳み込み枝を用いる。このモデルでは、局所パターンとより長い時間パターンの両方をキャプチャできる。チャネルアテンションは、情報的リードワイドおよび特徴チャネル表現を適応的に再重み付けするために使用される。クラス不均衡に対処し、特徴分離性を改善するために、同一クラスのサンプルをコンパクトな表現にし、異常と正常なサンプルの分離を増大させる、新しい非均衡型教師付きコントラスト学習戦略を導入する。さらに、各ECGリードの寄与を定量化し、モデルの解釈可能性を向上させるために、リードワイドな置換の重要性が組み込まれている。提案手法は,バージニア大学ヘルス・システム(UVA)による心筋傷分類のための低データ機関コーホートと,PhyloNetによるMI識別のための大規模パブリックPTB-XLデータセットの2つの相補的データセットを用いて評価した。 MSAIC-Netはベースラインモデルよりも優れており、特に低データUVAコホートの改良が顕著である。提案フレームワークは,心電図による心筋基質異常の検出に有効かつ解釈可能な手法である。

関連論文リスト

HeartBeatAI: An Interpretable and Robust Deep Learning Framework for Multi-Label ECG Arrhythmia Detection [17.31345778518897]
HeartBeatAIは、ドメインの一般化、マルチスケールの機能集約、およびロバスト12リードECG分類のための臨床説明性を組み合わせたディープラーニングフレームワークである。ドメインシフトを軽減するため、フレームワークはMixStyle正規化とLabel Smoothingを採用している。 LoDO評価は、まれな異常の検出において重大な劣化を示し、組織間デプロイメントにおける永続的な課題を浮き彫りにしている。
論文参考訳（メタデータ） (2026-05-23T13:58:12Z)
CoRe-ECG: Advancing Self-Supervised Representation Learning for 12-Lead ECG via Contrastive and Reconstructive Synergy [37.81373064028234]
コントラスト的かつ再構成的な事前学習パラダイムであるCoRe-ECGを提案する。 CoRe-ECGは、再構成中にグローバルな表現を整列し、インスタンスレベルの識別信号によって局所的な波形回復を導出する。本手法は,複数のダウンストリームECGデータセットにまたがる最先端の性能を実現する。
論文参考訳（メタデータ） (2026-04-13T11:56:43Z)
Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
心電図による心臓の異常は, 長期分布により検出が困難である。我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
論文参考訳（メタデータ） (2026-03-20T07:04:00Z)
Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
論文参考訳（メタデータ） (2025-11-13T02:57:10Z)
FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
論文参考訳（メタデータ） (2025-09-10T19:48:07Z)
EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
論文参考訳（メタデータ） (2025-06-14T08:48:44Z)
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 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)
SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
論文参考訳（メタデータ） (2024-04-15T01:07:08Z)
SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文参考訳（メタデータ） (2022-10-31T07:36:48Z)
Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
論文参考訳（メタデータ） (2020-03-25T02:28:04Z)

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。