[논문 리뷰] ME-GAN: Learning Panoptic Electrocardio Representations for Multi-view ECG Synthesis Conditioned on Heart Diseases

Jintai Chen, Kuanlun Liao외 4명|arXiv (Cornell University)|2022. 07. 21.

ECG Monitoring and Analysis인용 수 10

한 줄 요약

ME-GAN은 새로운 조건부 GAN을 제안하여 다중 시야 ECG 합성에 활용하며, 전면적인 심전도 표현을 학습하고 새로운 믹스업 정규화 레이어를 통해 질병 특이적 형태학적 변화를 통합한다. 이는 생리학적으로 정확하고 시야 일致성이 있는 ECG 신호를 생성하며, 질병 표현이 정확한 상태에서 최신 기준 성능을 달성한다. 이는 새로운 지표인 rFID로 검증되었다.

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.

연구 동기 및 목표

• 해부학적 시야 일致성과 질병 특이적 형태학적 특징을 유지하는 다중 시야 ECG 합성 모델의 부족을 해결하기 위해.
• 심장 질환 유형에 조건화된 12단계 ECG 신호를 엔드 투 엔드로 정확하게 생성하고 병변의 국소화를 정밀하게 구현하기 위해.
• 합성된 다중 시야 ECG 신호의 품질을 평가하기 위한 신뢰할 수 있는 지표인 rFID를 개발하기 위해.
• 시야 인식 보조 학습을 통해 다양한 시야 간 정확한 해부학적 표현을 보장하기 위해.
• 새로운 정규화 기법을 활용해 질병 정보를 특정 ECG 파형에 정밀하게 국소화하여 통합하기 위해.

제안 방법

• 생성자는 이중 단계 아키텍처를 사용한다: 먼저 전면적인 심전도 표현을 합성하고, 이를 Nef-Net 디코더를 통해 표준 12단계 ECG 시야로 디코딩한다.
• 시야 구분자(discriminator)를 도입하여 뒤섞인 ECG 시야를 원래의 정규 순서로 복원함으로써 올바른 시야 순서와 특징을 강제한다.
• 새로운 믹스업 정규화 레이어는 길이 방향으로 위치 인식 정규화를 수행하여 질병 특이적 형태학적 변화(예: LBBB의 R파에 나타나는 불규칙한 돌출)를 특정 ECG 파형에 통합한다.
• 주요 구분자와 질병 유형 분류를 위한 조건부 GAN 프레임워크를 사용하며, 시야 일치성 평가를 위한 보조 시야 구분자를 함께 활용한다.
• 합성된 ECG 신호 품질 평가를 위해 사전 학습된 1D Inception 네트워크를 사용하여 상대적 프리에트 인셉션 거리(rFID)를 계산한다.
• 학습 과정에서는 적대적 손실, 사이클 일致성 손실, 질병 분류 손실을 사용하여 생성자 및 구분자 구성 요소를 최적화한다.

실험 결과

연구 질문

• RQ1 GAN 모델은 다양한 리드 간 해부학적 일치성을 유지하면서도 질병 특이적 형태학적 변화를 정확히 반영하는 다중 시야 ECG 신호를 생성할 수 있는가?
• RQ2 질병 정보를 전체 신호에 걸쳐 전역적으로 통합하는 대신 특정 ECG 파형에 공간적으로 정밀하게 통합할 수 있는가?
• RQ3 제안된 시야 구분자가 실제로 정확한 해부학적 표현과 리드 간 구분 가능성을 강제로 확보하는가?
• RQ4 rFID 지표는 기존 지표들과 비교해 합성된 다중 시야 ECG 신호의 품질을 신뢰성 있게 평가할 수 있는가?
• RQ5 전면적인 심전도 표현 학습을 통한 이중 단계 생성자 아키텍처는 엔드 투 엔드 대비 다중 시야 ECG 합성에서 어떻게 성능을 향상시키는가?

주요 결과

• ME-GAN은 rFID와 PR-AUC 모두에서 조건부 WGAN-GP 및 기타 기준 모델을 능가하며, 평균 rFID는 1.27, 평균 PR-AUC는 0.92를 기록하여 고품질의 질병 일치성 합성 성능을 입증한다.
• 모델은 주요 병리적 특징을 성공적으로 포착한다: RBBB의 경우 V2 리드에서 R파에 불규칙한 돌출을 정확히 생성하고, V1 및 V6 리드에서 연장된 S파를 생성하는 반면, WGAN-GP는 이를 재현하지 못한다.
• 시야 구분자는 모드 붕괴를 효과적으로 방지하며, 합성된 시야가 리드 간에 구분 가능하고 해부학적으로 정확한 특징을 유지하도록 보장한다.
• rFID 점수는 노이즈 추가, 데이터 삭제, 블러링과 같은 신호 열화 요소에 대해 일관되게 증가하며, 이는 신호 열화에 민감하고 품질 평가에 신뢰할 수 있음을 확인한다.
• 믹스업 정규화 레이어를 통해 정밀하고 국소적인 질병 정보 통합이 가능하여, 예를 들어 LBBB의 불규칙한 돌출이 R파에만 나타나며 다른 파형 특징은 손상되지 않는다.
• 전면적인 표현 학습을 통한 이중 단계 생성자 아키텍처는 시야 일치성과 신호의 매끄러움을 향상시키며, 기준 모델 대비 더 선명한 파형과 감소된 노이즈를 통해 그 효과를 입증한다.