論文の概要: Automated ECG Interval Measurement and Wave Delineation Using Fast Fourier Convolution ResNet

• arxiv url: http://arxiv.org/abs/2608.00058v2
• Date: Tue, 04 Aug 2026 08:05:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 13:15:27.409159
• Title: Automated ECG Interval Measurement and Wave Delineation Using Fast Fourier Convolution ResNet
• Title（参考訳）: 高速フーリエ畳み込みResNetを用いた心電図間隔自動計測と波動記述
• Authors: Farhan Adam Mukadam, Harshit Mishra, Nachiket Makwana, Pradyot Tiwari, Subramani Kandasamy, KVS Hari,
• Abstract要約: 心電図間隔(PR,QRS持続時間,QT/QTc)の正確な測定は心電図診断である。 本研究は, 偏差, 95%の一致限界 (Bland-Altman) , ブートストラップ信頼区間, リズム成層誤差解析を含む, 完全な統計特性を有する最初の大規模区間測定精度試験である。
• 参考スコア（独自算出の注目度）: 5.596259504303497
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate measurement of ECG intervals, including PR, QRS duration, and QT/QTc, is central to cardiac diagnosis, yet the published ECG delineation literature evaluates performance almost exclusively as fiducial-point timing errors on small curated databases, rather than as clinical interval accuracy on large unselected cohorts. We bridge this gap by evaluating a complete end-to-end pipeline on 10,646 clinical 12-lead ECGs and reporting the first large-scale interval measurement accuracy study with full statistical characterisation, including bias, 95% limits of agreement (Bland-Altman), bootstrap confidence intervals, and rhythm-stratified error analysis. The underlying delineation is performed by a Fast Fourier Convolution ResNet (FFCResNet), adapting local temporal convolutions with global spectral processing via FFT and augmented with register tokens for contextual feature learning. Three per-wave models (P, QRS, and T) are trained on six public databases with ECG-specific augmentation. On 10,646 ECGs, the system achieves a QT MAE of 17.5 ms [95% CI: 16.9-18.2], with a Bland-Altman bias of +8.5 ms (LoA: -68.5 to +85.5 ms); a QRS duration MAE of 14.8 ms [95% CI: 14.6-15.0], with a bias of +12.6 ms (LoA: -12.3 to +37.6 ms); and a ventricular rate MAE of 0.8 beats/min. All biases are statistically significant by the Wilcoxon signed-rank test (p < 0.001) but remain within or near published inter-observer variability bounds for sinus rhythms. Rhythm-stratified analysis reveals substantially higher QT errors for supraventricular tachycardias (SVT MAE: 75.0 ms; AVRT MAE: 85.3 ms) than for sinus bradycardia (SB MAE: 9.3 ms) and sinus rhythm (SR MAE: 8.9 ms), providing an honest characterisation of the deployment scope. Wave segmentation achieves internal Dice scores of 95.5%, 98.2%, and 96.1% for P, QRS, and T waves, respectively, and cross-database Dice scores of 78.1%, 85.5%, and 74.2%.
• Abstract（参考訳）: PR, QRS持続時間, QT/QTcを含む心電図間隔の正確な測定は心臓診断の中心であるが, 公表された心電図デライン化文献は, 大きな未選択コホートにおける臨床間隔精度よりも, 小さいキュレートされたデータベース上では, ほぼ有限点タイミング誤差としての性能を評価する。 10,646個のクリニカル心電図の完全なエンドツーエンドパイプラインを評価し、バイアス、95%の合意限界(Bland-Altman)、ブートストラップの信頼区間、リズム定位誤差分析を含む完全な統計的特徴付けによる最初の大規模間隔測定精度研究を報告し、このギャップを橋渡しする。 基礎となる記述は、FFCResNet(Fast Fourier Convolution ResNet)によって行われ、局所的時間的畳み込みをFFTによるグローバルスペクトル処理に適応させ、文脈的特徴学習のためにレジスタトークンを付加する。 3つの波動モデル(P、QRS、T)は、ECG固有の拡張を伴う6つのパブリックデータベース上で訓練される。 10,646のECGでは、17.5 ms (95% CI: 16.9-18.2)のQT MAEと、Bland-Altmanのバイアス+8.5 ms (LoA: -68.5 - +85.5 ms)、QRSの持続時間MAEは14.8 ms (95% CI: 14.6-15.0)、バイアス+12.6 ms (LoA: -12.3 - +37.6 ms)、心拍数MAEは0.8倍/分である。 全てのバイアスはウィルコクソンの符号付きランク試験 (p < 0.001) によって統計的に有意であるが、正弦波リズムの波動間変動境界の範囲内または近傍に留まる。 Rhythm-stratified analysisにより、上室頻拍(SVT MAE: 75.0 ms; AVRT MAE: 85.3 ms)のQT誤差は、洞性ブラジカルディア(SB MAE: 9.3 ms)と洞性リズム(SR MAE: 8.9 ms)よりも著しく高く、デプロイメント範囲の正直な特徴付けを提供する。 ウェーブセグメンテーションは、P波、QRS波、T波それぞれ95.5%、98.2%、96.1%の内部ディススコアを達成し、クロスデータベースディススコアは78.1%、85.5%、74.2%である。

関連論文リスト

• Efficient Transformer-Based Localized Patch Sampling for Choroid Plexus Segmentation in Multiple Sclerosis [26.831715552066694]
  両側心室脈絡膜叢 (LVCP) は, 身体障害と神経炎症に関連する多発性硬化症 (MS) の指標として認識されている。 本研究の目的は,スタンドアロンおよびマルチモーダルMRI入力からMS内のLVCPを自動的に分割するSwinUNETR駆動パイプラインを開発することである。
  論文  参考訳（メタデータ） (2026-06-02T12:32:43Z)
• Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
  腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
  論文  参考訳（メタデータ） (2025-11-21T21:50:34Z)
• On-device Computation of Single-lead ECG Parameters for Real-time Remote Cardiac Health Assessment: A Real-world Validation Study [13.674657999037803]
  シングルリードECGパラメータのオンデバイス計算により、集中データ処理なしでタイムリーなアセスメントが可能となる。 本研究では、デバイス上のアルゴリズムFeatureDBを2つのデータセットを用いて検証した。 第1次房室ブロック (AVBI, PR-based) と長QT症候群 (LQT, QTc-based) の診断成績を商用12誘導システムと比較した。
  論文  参考訳（メタデータ） (2025-02-21T08:11:17Z)
• Estimating ECG Intervals from Lead-I Alone: External Validation of Supervised Models [0.7366405857677227]
  我々は,リードIECGを用いて,PR,QRS,QT間隔を推定するためのディープラーニングモデルを開発した。 私たちは、微調整や再トレーニングをせずに、3つの大きな外部医療データセットでモデルを検証します。 この研究は、ディープラーニングを使用してリードIECGのみからECG間隔を追跡することができることを示した。
  論文  参考訳（メタデータ） (2024-08-12T17:45:09Z)
• Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning [32.37717219026923]
  既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。 本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。 本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:15:53Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• Advancing ECG Diagnosis Using Reinforcement Learning on Global Waveform Variations Related to P Wave and PR Interval [1.352111003040528]
  本稿では,PhystoNet/Computing in Cardiology Challenge (CinC)で利用可能な各種ECGデータセットに対するQ学習強化アルゴリズムの適用に焦点をあてる。 Q-Agentは8,867人の患者で71,672のビートを分類し、平均90.4%、平均9.6%のハミング損失しかなかった。
  論文  参考訳（メタデータ） (2024-01-10T05:28:42Z)
• Detecting QT prolongation From a Single-lead ECG With Deep Learning [0.6554326244334868]
  薬物によるQT延長リスクは、ディープラーニングを用いてECGリードIから追跡することができる。 我々は,ECGリードIからQT間隔を推定する深層学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-12-17T05:22:04Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• ECG-TCN: Wearable Cardiac Arrhythmia Detection with a Temporal Convolutional Network [14.503893070243585]
  シングルリード心電図信号は、心不整脈を検出、分類、予測する能力を提供する。 ウェアラブルプラットフォームでの利用が可能でありながら、高い精度を実現する新しい時間的畳み込みネットワーク(TCN)を提案します。
  論文  参考訳（メタデータ） (2021-03-25T10:39:54Z)
• 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。