論文の概要: Graph-Based Pseudo-multimodal Contrastive Learning for 12-Lead ECG Representations
- arxiv url: http://arxiv.org/abs/2608.26964v1
- Date: Thu, 27 Aug 2026 11:02:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.366975
- Title: Graph-Based Pseudo-multimodal Contrastive Learning for 12-Lead ECG Representations
- Title（参考訳）: 12レベル心電図表現のためのグラフベース擬似マルチモーダルコントラスト学習
- Abstract要約: グラフに基づく擬似マルチモーダル・コントラスト学習フレームワークGraph-CMMCを提案する。
ECG波形はGramian Angular Difference Field(GADF)画像に変換され、同じ心臓活動の相補的表現を構成する。
グラフベースのリレーショナルモジュールは、リード間の依存性をモデル化するために使用される。
- 参考スコア（独自算出の注目度）: 1.671051893883682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 12-lead electrocardiogram (ECG) is a standard, non-invasive examination widely used for diagnosing coronary artery disease, where clinical interpretation relies on comparing waveform patterns across multiple leads. However, most existing ECG analysis methods focus on single-lead signals or treat each lead independently, and typically process ECG signals as one-dimensional time-series data using CNNs or RNNs. While effective in modeling local waveform changes, such approaches have difficulty capturing inter-lead dependency and global waveform patterns essential for clinical diagnosis. To address this limitation, we propose a graph-based pseudo-multimodal contrastive learning framework called Graph-CMMC. ECG waveforms are transformed into Gramian Angular Difference Field (GADF) images to construct complementary representations of the same cardiac activity, enabling a pseudo-multimodal learning setting. Using all 12 leads, Graph-CMMC aligns waveform and GADF representations in a self-supervised manner, while a graph-based relational module is employed to model inter-lead dependency and enforce structural consistency across leads during contrastive learning. Experimental results on a multi-label coronary artery occlusion classification task demonstrate that the proposed framework achieves competitive performance compared to supervised learning methods. These results further suggest the effectiveness of using GADF as a complementary representation and incorporating explicit graph-based modeling of inter-lead dependency for learning robust 12-lead ECG representations.
- Abstract（参考訳）: 12誘導心電図(12-lead electrocardiogram:ECG)は、冠動脈疾患の診断に広く用いられている標準的な非侵襲的検査である。
しかし、既存のECG分析手法の多くは、単一リード信号にフォーカスするか、それぞれのリードを個別に処理し、典型的にはCNNやRNNを使って1次元の時系列データとしてECG信号を処理している。
局所的な波形変化のモデル化には有効であるが, 臨床診断に欠かせない種間依存性や大域的波形パターンの把握は困難である。
この制限に対処するため、グラフ-CMMCと呼ばれるグラフベースの擬マルチモーダル・コントラスト学習フレームワークを提案する。
ECG波形はGramian Angular Difference Field(GADF)画像に変換され、同じ心臓活動の相補的な表現を構成し、擬似マルチモーダル学習設定を可能にする。
グラフベースのリレーショナルモジュールは、リード間の依存性をモデル化し、対照的な学習中にリード間の構造的一貫性を強制するために使用される。
多ラベル冠動脈閉塞分類タスクの実験結果から,本フレームワークは教師付き学習法と比較して競争性能が向上することが示された。
これらの結果から, GADFを補完表現として用いることの有効性が示唆された。
関連論文リスト
- ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning [50.82313761980655]
ECG-LLMは186,409人を対象にした4つのコホート679,112のECG研究で訓練されたECG条件付き大言語モデルである。
ECG信号、臨床コンテキスト、CMR、ECHOから導かれる、臨床的に構造化された質問応答対をトレーニングする。
心拍数などの従来の心電図測定を成功させ、複雑なCMR由来の表現型を強く予測する。
論文 参考訳（メタデータ） (2026-07-15T11:06:35Z) - Learning Cardiac Latent Representations in Vectorcardiogram Space [54.12639543496968]
既存の方法は、観測可能なECG信号空間でのみ動作する。
本稿では,VCG空間内で直接心臓電気活動の潜在性統一表現を学習することを提案する。
LVCGは、この物理的に接地された潜在空間で動作するように設計された、最初の汎用的な自己教師型表現学習フレームワークである。
論文 参考訳（メタデータ） (2026-05-29T12:48:12Z) - Learning ECG Image Representations via Dual Physiological-Aware Alignments [33.03253601947226]
心電図(ECGs)は、心血管疾患の診断ツールとして最も広く用いられている。
既存のECG分析手法の多くは生信号記録へのアクセスに依存している。
本稿では,心電図画像から臨床一般化表現を学習するための自己教師型フレームワークECG-Scanを提案する。
論文 参考訳（メタデータ） (2026-04-02T01:52:14Z) - Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos [53.368813255127115]
既存の自己教師型手法は、ECGをシングルビューエコーに整列させることで、表現ミスマッチに悩まされる。
本稿では,心電図表現を多視点エコーで捉えることで,心電図表現を充実させるマルチモーダル自己教師型学習フレームワークであるEcho2ECGを提案する。
臨床的に関係のある2つの課題に対して,Echo2ECGをECG特徴抽出器として評価した。
論文 参考訳（メタデータ） (2026-03-09T15:39:57Z) - CG-DMER: Hybrid Contrastive-Generative Framework for Disentangled Multimodal ECG Representation Learning [29.83120239597889]
本稿では,多モードECG表現学習のためのコントラスト生成フレームワークであるCG-DMERを提案する。
表現のゆがみとアライメント戦略は、不要なノイズとモダリティ固有のバイアスを軽減するために設計されている。
3つの公開データセットの実験は、CG-DMERが様々な下流タスクで最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-02-24T17:59:21Z) - Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。
患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
論文 参考訳（メタデータ） (2026-02-02T13:07:52Z) - 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) - 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) - 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) - ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method
for ECG signal [19.885905393439014]
本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。
この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。
提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
論文 参考訳（メタデータ） (2023-10-01T23:17:55Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。