論文の概要: Decoder Design Matters for ECG Delineation

• arxiv url: http://arxiv.org/abs/2609.16489v1
• Date: Tue, 15 Sep 2026 01:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.294353
• Title: Decoder Design Matters for ECG Delineation
• Title（参考訳）: ECG記述のためのデコーダ設計事項
• Abstract要約: 心電図(ECG)デライン化は、P波、S波、T波の境界を特定する。 最近の研究は、半教師付き学習(SSL)によるこの制限に対処している。 本稿では、ResNet-18エンコーダとU-Netデコーダをペア化するECGデラインモデルであるR-U-Netを提案する。
• 参考スコア（独自算出の注目度）: 26.859073332769395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiogram (ECG) delineation identifies the boundaries of P waves, QRS complexes, and T waves, providing structural annotations that can guide AI models in learning to interpret ECGs. However, training accurate delineation models requires manual annotations that are scarce and time-consuming to obtain. Recent work addresses this limitation through semi-supervised learning (SSL), but the design of the architecture, particularly the decoder, has received less attention. To this end, we propose R-U-Net, an ECG delineation model that pairs a ResNet-18 encoder with a U-Net decoder. On SemiSegECG, R-U-Net outperforms the strongest evaluated ResNet-18 + fully convolutional network (FCN) head baseline in each of the 16 in-domain settings by 3.3-13.0 mIoU and achieves 82.6 mIoU in the cross-domain setting, an improvement of 8.1 mIoU. Controlled ablations show that decoder design contributes more to performance gains than the evaluated SSL methods, motivating further exploration of architectures for ECG delineation. All code is open-source at github.com/ELM-Research/ECG-Delineation.
• Abstract（参考訳）: 心電図(ECG)デライン化は、P波、QRSコンプレックス、T波の境界を特定し、心電図を解釈する学習においてAIモデルを導く構造的アノテーションを提供する。 しかし、正確な記述モデルのトレーニングには、手作業によるアノテーションが必要で、入手には時間がかかります。 最近の研究は、半教師付き学習(SSL)によるこの制限に対処しているが、アーキテクチャ、特にデコーダの設計はあまり注目されていない。 そこで本研究では,ResNet-18エンコーダとU-Netデコーダをペア化するECGデラインモデルであるR-U-Netを提案する。 SemiSegECGでは、R-U-Netは16のドメイン設定のそれぞれ3.3-13.0 mIoUで最も評価の高いResNet-18+完全畳み込みネットワーク(FCN)のベースラインを上回り、クロスドメイン設定では82.6 mIoU、改善は8.1 mIoUである。 制御されたアブリゲーションは、デコーダ設計が評価されたSSLメソッドよりもパフォーマンスの向上に寄与し、ECGデライン化のためのアーキテクチャのさらなる探索を動機付けていることを示している。 すべてのコードはgithub.com/ELM-Research/ECG-Delineationでオープンソース化されている。

関連論文リスト

• Improved Baselines with Representation Autoencoders [61.47127824064028]
  表現オートエンコーダ(RAE)は、従来のVAEを事前訓練された視覚エンコーダに置き換える。 RAEを単純化し、改善する3つの洞察が得られます。 RAEv2はオリジナルのRAEよりも10倍以上早く収束する。
  論文  参考訳（メタデータ） (2026-05-18T12:42:34Z)
• HQF-Net: A Hybrid Quantum-Classical Multi-Scale Fusion Network for Remote Sensing Image Segmentation [17.10651341030732]
  HQF-Netは、リモートセンシング画像セグメンテーションのためのハイブリッド量子古典的マルチスケール核融合ネットワークである。 フリーズされたDINOv3 ViT-L/16バックボーンからのマルチスケールセマンティックガイダンスと、カスタマイズされたU-Netアーキテクチャを統合する。 3つのリモートセンシングベンチマークの実験では、提案した設計と一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-04-08T06:21:45Z)
• Unified Review and Benchmark of Deep Segmentation Architectures for Cardiac Ultrasound on CAMUS [39.950953035207384]
  心臓超音波セグメンテーションの文献的考察と,3つの重要なアーキテクチャの比較を行った。 ベンチマークでは,NIfTIボリューム,16ビットPNGエクスポート,GPT支援多角形擬似ラベル,自己教師付き事前学習など,複数の前処理経路にまたがる。
  論文  参考訳（メタデータ） (2025-12-27T06:07:57Z)
• ECG-Byte: A Tokenizer for End-to-End Generative Electrocardiogram Language Modeling [20.484166589932702]
  大規模言語モデル(LLMs)は、心電図(ECGs)への応用を含む、ドメイン間での例外的な汎用性を実証している。 本稿では,ECGの自動回帰言語モデリングのための適応バイトペア符号化(BPE)トークン化パイプラインであるECG-Byteを提案する。 従来の2段階法で必要とされるデータの48%しか使用せず,3倍高速なトレーニングをしながら,競争力のあるNLG性能を実現する。
  論文  参考訳（メタデータ） (2024-12-18T22:13:21Z)
• Joint Beam Search Integrating CTC, Attention, and Transducer Decoders [53.297697898510194]
  4つのデコーダが同一のエンコーダを共有するような共同モデリング手法を提案する。 4Dモデルは共同で訓練され、モデルの正規化とモデルの堅牢性を最大化する。 さらに,3つのデコーダを組み合わせることで,新しい3つのビーム探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-05T05:18:20Z)
• ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
  OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。 現在の最先端の証拠は、機能ベースのランダムな森林と畳み込みニューラルネットワーク(CNN)の両方が、OMIのECG検出を改善するための有望なアプローチであることを示唆している。 我々はOMI識別のためのECG--NETを開発し評価する。
  論文  参考訳（メタデータ） (2024-05-08T19:59:16Z)
• CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
  本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。 オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。 我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
  論文  参考訳（メタデータ） (2023-08-31T02:20:25Z)
• Deep Riemannian Networks for End-to-End EEG Decoding [2.0971479389679337]
  我々は,手作りフィルタバンクを必要とせずに,生の脳波からタスク関連情報を推測するためのDRNの設計と訓練方法を示す。 本研究は、高性能脳波復号のためのEE(G)-SPDNetのようなエンド・ツー・エンドのDRNの可能性を明らかにする。
  論文  参考訳（メタデータ） (2022-12-20T17:04:50Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung Infection Segmentation from CT Images [83.82141604007899]
  BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。 BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。 BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
  論文  参考訳（メタデータ） (2022-07-17T08:54:07Z)
• Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
  コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。 本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。 InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-09-19T16:10:26Z)

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。