A Synthetic Electrocardiogram (ECG) Image Generation Toolbox to Facilitate Deep Learning-Based Scanned ECG Digitization

要約

心電図 (ECG) は、心臓血管疾患を診断するための正確で広く利用可能なツールです。
ECG は何十年にもわたって印刷形式で記録されており、そのデジタル化はアルゴリズム ECG 診断における機械学習 (ML) モデルのトレーニングに大きな可能性を秘めています。
物理的な ECG アーカイブは劣化する危険性があり、ML モデルには ECG 時系列データが必要であるため、印刷された ECG をスキャンするだけでは不十分です。
したがって、紙の心電図アーカイブをデジタル化し、時系列データに変換することが最も重要です。
画像処理用の深層学習モデルは、この点で有望です。
ただし、参照時系列を含む ECG アーカイブが不足していることが課題です。
\textit{デジタル ツイン} を利用したデータ拡張技術は、潜在的な解決策を示します。
標準的な紙のような ECG 背景上にリアルなアーティファクトを備えた合成 ECG 画像を生成する新しい方法を紹介します。
手書きのテキストアーティファクト、しわ、しわ、遠近法変換などの歪みは、個人を特定できる情報なしで、生成された画像に適用されます。
ユースケースとして、12 誘導 PhysioNet PTB-XL ECG 時系列データセットから 21,801 レコードの ECG 画像データセットを生成しました。
深層 ECG 画像デジタル化モデルが構築され、合成データセット上でトレーニングされ、評価のために合成画像を時系列データに変換するために使用されました。
信号対雑音比 (SNR) を計算して、画像のデジタル化品質とグラウンド トゥルース ECG 時系列を評価しました。
結果は、平均信号回復 SNR が 27$\pm$2.8\,dB であることを示し、深層学習モデルのトレーニングに対する提案された合成 ECG 画像データセットの重要性を示しています。
コードベースは、ECG 研究用のオープンアクセス ツールボックスとして利用できます。

要約(オリジナル)

The electrocardiogram (ECG) is an accurate and widely available tool for diagnosing cardiovascular diseases. ECGs have been recorded in printed formats for decades and their digitization holds great potential for training machine learning (ML) models in algorithmic ECG diagnosis. Physical ECG archives are at risk of deterioration and scanning printed ECGs alone is insufficient, as ML models require ECG time-series data. Therefore, the digitization and conversion of paper ECG archives into time-series data is of utmost importance. Deep learning models for image processing show promise in this regard. However, the scarcity of ECG archives with reference time-series is a challenge. Data augmentation techniques utilizing \textit{digital twins} present a potential solution. We introduce a novel method for generating synthetic ECG images on standard paper-like ECG backgrounds with realistic artifacts. Distortions including handwritten text artifacts, wrinkles, creases and perspective transforms are applied to the generated images, without personally identifiable information. As a use case, we generated an ECG image dataset of 21,801 records from the 12-lead PhysioNet PTB-XL ECG time-series dataset. A deep ECG image digitization model was built and trained on the synthetic dataset, and was employed to convert the synthetic images to time-series data for evaluation. The signal-to-noise ratio (SNR) was calculated to assess the image digitization quality vs the ground truth ECG time-series. The results show an average signal recovery SNR of 27$\pm$2.8\,dB, demonstrating the significance of the proposed synthetic ECG image dataset for training deep learning models. The codebase is available as an open-access toolbox for ECG research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google