[論文レビュー] ME-GAN: Learning Panoptic Electrocardio Representations for Multi-view ECG Synthesis Conditioned on Heart Diseases

Jintai Chen, Kuanlun Liao+4 more|arXiv (Cornell University)|Jul 21, 2022

ECG Monitoring and Analysis被引用数 10

ひとこと要約

ME-GANは、パノプティックな心電図表現を学習し、新しいミックスアップ正規化層を用いて疾患特異的な形態的変化を統合することで、生理的に正確でビュー一貫性を持つ多視点心電図信号を合成する新規な条件付きGANを提案する。rFIDという新規な指標によって検証された結果、疾患の正確な兆候を示す高精度な合成が達成された。

ABSTRACT

Electrocardiogram (ECG) is a widely used non-invasive diagnostic tool for heart diseases. Many studies have devised ECG analysis models (e.g., classifiers) to assist diagnosis. As an upstream task, researches have built generative models to synthesize ECG data, which are beneficial to providing training samples, privacy protection, and annotation reduction. However, previous generative methods for ECG often neither synthesized multi-view data, nor dealt with heart disease conditions. In this paper, we propose a novel disease-aware generative adversarial network for multi-view ECG synthesis called ME-GAN, which attains panoptic electrocardio representations conditioned on heart diseases and projects the representations onto multiple standard views to yield ECG signals. Since ECG manifestations of heart diseases are often localized in specific waveforms, we propose a new "mixup normalization" to inject disease information precisely into suitable locations. In addition, we propose a view discriminator to revert disordered ECG views into a pre-determined order, supervising the generator to obtain ECG representing correct view characteristics. Besides, a new metric, rFID, is presented to assess the quality of the synthesized ECG signals. Comprehensive experiments verify that our ME-GAN performs well on multi-view ECG signal synthesis with trusty morbid manifestations.

研究の動機と目的

• 解剖学的ビューの一貫性と疾患特異的形態的特徴を保持する多視点心電図合成モデルの不足を解消すること。
• 心疾患タイプを条件とした12誘導心電図信号のエンドツーエンド生成を可能にし、病理的変化の正確な局所化を実現すること。
• 合成された多視点心電図信号の品質を評価するための信頼性のある指標rFIDを開発すること。
• ビューに意識的な監視を統合することで、異なるビュー間での解剖学的表現の正確性を保証すること。
• 新規な正規化技術を用いて、疾患情報の空間的に正確な局所的注入を可能にし、特定の心電図波形にのみ影響を与えること。

提案手法

• 生成器は2段階のアーキテクチャを採用：まずパノプティックな心電図表現を合成し、次にNef-Netデコーダーを用いてそれらを標準的な12誘導心電図ビューに変換する。
• ビュー判別器を導入し、シャッフルされた心電図ビューを元の正規順序に再構成することで、正しいビュー順序と特徴を強制する。
• 新規なミックスアップ正規化層は、長さ方向および位置に依存した正規化を実行し、疾患特異的な形態的変化（例：LBBBにおけるR波のノッチ）を特定の心電図波形に注入する。
• 主な判別器が本物/偽物および疾患カテゴリ分類を担い、補助的なビュー判別器がビューの一貫性を保証する条件付きGANフレームワークを採用する。
• 相対的フレシェインセプション距離（rFID）を計算するために、事前学習済みの1次元Inceptionネットワークを用い、合成された心電図信号の品質を評価する新規指標を導入する。
• 訓練プロセスでは、敵対的損失、サイクル一貫性損失、疾患分類損失を用いて生成器および判別器の両方を最適化する。

実験結果

リサーチクエスチョン

• RQ1 GANモデルは、異なる誘導間で解剖学的一貫性を保ちつつ、疾患特異的な形態的特徴を正確に反映する多視点心電図信号を生成できるか？
• RQ2 疾患情報は、信号全体にわたるグローバルな影響ではなく、特定の心電図波形に空間的に正確に注入できるか？
• RQ3 提案されたビュー判別器は、正しい解剖学的表現と誘導間の区別性を効果的に強制できるか？
• RQ4 rFID指標は、従来の指標と比較して、合成された多視点心電図信号の品質を信頼性高く評価できるか？
• RQ5 パノプティック心電図表現学習を組み込んだ2段階の生成器アーキテクチャは、エンドツーエンド代替手法に比べて多視点心電図合成をどのように改善するか？

主な発見

• ME-GANはrFIDおよびPR-AUCの両面で条件付きWGAN-GPおよび他のベースラインを上回り、平均rFIDが1.27、平均PR-AUCが0.92を記録し、高品質で疾患一貫性のある合成が達成された。
• モデルは疾患の主要な病理的兆候を的確に捉えている：RBBBの場合、V2誘導でR波にノッチを生成し、V1およびV6誘導でS波の延長を再現しているが、WGAN-GPはこれを再現できていない。
• ビュー判別器はモード崩壊を効果的に防止し、合成されたビューが誘導間で明確に区別され、解剖学的に正しい特徴を維持していることを保証している。
• rFIDスコアはノイズ追加、エラージョン、ぼかし処理の度に一貫して上昇し、信号劣化に対する感受性と品質評価の信頼性が確認された。
• ミックスアップ正規化層により、局所的かつ正確な疾患の注入が可能になった——例として、LBBBのノッチはR波にのみ現れ、他の波形特徴は歪められていない。
• パノプティック表現学習を組み込んだ2段階の生成器アーキテクチャは、視覚的に明瞭な波形とベースラインと比較して低減されたノイズにより、ビュー一貫性と信号滑らかさの向上が図られている。