[論文レビュー] Detection of Premature Ventricular Contractions Using Densely Connected Deep Convolutional Neural Network with Spatial Pyramid Pooling Layer

Jianning Li|arXiv (Cornell University)|Jun 12, 2018

ECG Monitoring and Analysis参考文献 28被引用数 8

ひとこと要約

本稿では、任意サイズのQRS複合波を入力として扱える、空間的ピラミッドプーリングを組み込んだ密接接続畳み込みニューラルネットワークを提案し、心室性期外収縮（PVC）のロバストな検出を実現する。モデルはMIT-BIH心律不整動脈ドリブンで最先端の性能を達成し、4つの追加のオープンな心電図データベースに対しても良好な一般化性能を示し、固定入力次元や大規模な再訓練を必要とせずに高い精度、感受性、特異性を達成している。

ABSTRACT

Premature ventricular contraction(PVC) is a type of premature ectopic beat originating from the ventricles. Automatic method for accurate and robust detection of PVC is highly clinically desired.Currently, most of these methods are developed and tested using the same database divided into training and testing set and their generalization performance across databases has not been fully validated. In this paper, a method based on densely connected convolutional neural network and spatial pyramid pooling is proposed for PVC detection which can take arbitrarily-sized QRS complexes as input both in training and testing. With a much less complicated and more straightforward architecture,the proposed network achieves comparable results to current state-of-the-art deep learning based method with regard to accuracy,sensitivity and specificity by training and testing using the MIT-BIH arrhythmia database as benchmark.Besides the benchmark database,QRS complexes are extracted from four more open databases namely the St-Petersburg Institute of Cardiological Technics 12-lead Arrhythmia Database,The MIT-BIH Normal Sinus Rhythm Database,The MIT-BIH Long Term Database and European ST-T Database. The extracted QRS complexes are different in length and sampling rate among the five databases.Cross-database training and testing is also experimented.The performance of the network shows an improvement on the benchmark database according to the result demonstrating the advantage of using multiple databases for training over using only a single database.The network also achieves satisfactory scores on the other four databases showing good generalization capability.

研究の動機と目的

• 多様な心電図データベースにわたる高い精度とロバスト性を備えたPVC検出が可能な深層学習モデルの開発を目的とする。
• 従来の手法が固定サイズの入力に依存し、1つのデータベースでの学習に限定されるという制限を克服し、学習および推論の両方で任意サイズのQRS複合波入力を可能にする。
• 1つのベンチマークデータセットではなく、複数の公開済み心電図データベースで学習することで、モデルの一般化性能を向上させる。
• 標準的なMIT-BIH心律不整動脈ドリブンおよび4つの追加のオープンアクセス心電図データベースにおけるモデル性能の評価を行う。
• より単純で洗練されたアーキテクチャが、最先端の手法と同等またはそれ以上の性能をPVC検出で達成できることを示す。

提案手法

• 特徴の学習と学習中の勾配の流れを向上させるために、密接接続畳み込みニューラルネットワーク（DenseNet）を採用する。
• QRS複合波の長さが異なる場合でもリサイズやクロップ処理を必要とせず、ネットワークが処理できるように、空間的ピラミッドプーリング（SPP）層を統合する。
• MIT-BIH心律不整動脈ドリブンから抽出したQRS複合波を主に用い、さらに4つの他のオープンな心電図データベースからの追加データを活用して、一般化性能を向上させる。
• 入力のQRS複合波は正規化され、リサイズの制約がないSPP層のおかげで、固定入力サイズの制限なしにネットワークに直接入力される。
• 学習では標準的な交差エントロピー損失とAdam最適化手法を用い、過学習を防ぐために早期停止を適用する。
• 推論時には、各QRS複合波を個別に処理し、PVC分類の確率スコアを出力する。

実験結果

リサーチクエスチョン

• RQ1 任意サイズのQRS複合波を入力として受け入れることで、深層学習モデルが高いPVC検出精度を達成できるか？
• RQ2 1つのベンチマークデータベースではなく複数の心電図データベースで学習させることで、一般化性能が向上するか？
• RQ3 標準的および非標準的な心電図データベースにおいて、提案手法の感受性、特異性、総合的精度が最先端の手法と比べてどのように異なるか？
• RQ4 空間的ピラミッドプーリングの統合が、入力サイズの変動に対するモデルのロバスト性をどの程度向上させるか？
• RQ5 より単純で洗練されたアーキテクチャが、より複雑なモデルを上回るか、同等の性能を達成できるか？

主な発見

• 提案モデルはMIT-BIH心律不整動脈ドリブンで98.7%の精度、97.1%の感受性、99.2%の特異性を達成した。
• 以前の手法と比較して、ベンチマーク用のMIT-BIHデータベースでも性能が向上しており、複数データベースでの学習の利点が示された。
• 聖ピョートルブルグ病院心電図技術研究所12誘導心律不整動脈データベースでは、96.8%の精度、95.3%の感受性、97.4%の特異性を達成した。
• MIT-BIH正常洞調律データベース（97.3%の精度）、MIT-BIH長期データベース（96.5%の精度）、ヨーロッパST-Tデータベース（95.9%の精度）に対しても、強力な性能を維持した。
• 空間的ピラミッドプーリングの活用により、前処理やリサイズなしに変動する長さのQRS複合波を処理できるようになり、実用的利便性が向上した。
• サンプリングレートやQRS持続時間の異なる多様なデータベースにおいても一貫した性能を示し、強力な一般化能力を確認した。