[논문 리뷰] Generalizing electrocardiogram delineation -- Training convolutional neural networks with synthetic data augmentation

Guillermo Jiménez-Pérez, Juan Acosta외 2명|arXiv (Cornell University)|2021. 11. 25.

ECG Monitoring and Analysis인용 수 4

한 줄 요약

이 논문은 합성 데이터 증강과 새로운 손실 함수를 활용한 딥러닝 프레임워크를 제안하여 다양한 ECG 데이터베이스에서 F1 스코어 99.38% 및 20ms 이내의 분할 오차를 달성한다. 이 방법은 가짜 합성 ECG 생성과 형태 정규화 학습을 조합하여 범용성과 내성 있는 범위 수준의 심장 박동 지점 검출 성능을 향상시킨다.

ABSTRACT

Obtaining per-beat information is a key task in the analysis of cardiac electrocardiograms (ECG), as many downstream diagnosis tasks are dependent on ECG-based measurements. Those measurements, however, are costly to produce, especially in recordings that change throughout long periods of time. However, existing annotated databases for ECG delineation are small, being insufficient in size and in the array of pathological conditions they represent. This article delves has two main contributions. First, a pseudo-synthetic data generation algorithm was developed, based in probabilistically composing ECG traces given "pools" of fundamental segments, as cropped from the original databases, and a set of rules for their arrangement into coherent synthetic traces. The generation of conditions is controlled by imposing expert knowledge on the generated trace, which increases the input variability for training the model. Second, two novel segmentation-based loss functions have been developed, which attempt at enforcing the prediction of an exact number of independent structures and at producing closer segmentation boundaries by focusing on a reduced number of samples. The best performing model obtained an $F_1$-score of 99.38\\% and a delineation error of $2.19 \\pm 17.73$ ms and $4.45 \\pm 18.32$ ms for all wave's fiducials (onsets and offsets, respectively), as averaged across the P, QRS and T waves for three distinct freely available databases. The excellent results were obtained despite the heterogeneous characteristics of the tested databases, in terms of lead configurations (Holter, 12-lead), sampling frequencies ($250$, $500$ and $2,000$ Hz) and represented pathophysiologies (e.g., different types of arrhythmias, sinus rhythm with structural heart disease), hinting at its generalization capabilities, while outperforming current state-of-the-art delineation approaches.

연구 동기 및 목표

• 딥러닝 모델 학습을 위한 표준화된 ECG 데이터베이스의 부족성과 다양성 부족 문제를 해결하기 위해.
• 다양한 리드 구성, 샘플링 주파수, 병리 상태에서의 ECG 분할 모델의 일반화 성능 향상을 위해.
• 대규모 표준화된 데이터셋에 대한 의존도를 줄이기 위해 기본 ECG 세그먼트를 기반으로 한 가짜 합성 데이터 생성 기반의 방법을 도입하기 위해.
• 정확한 경계 예측과 고정된 구조 수를 강제하는 새로운 분할 기반 손실 함수를 통해 모델의 내성성을 향상시키기 위해.
• 높은 정밀도와 일반화 성능을 갖춘 임상 적용 가능한 종단 간 전처리 딥러닝 파이프라인을 개발하기 위해.

제안 방법

• 실제 데이터베이스에서 기본 ECG 세그먼트(P, QRS, T파형)를 전문가가 정의한 규칙에 따라 확률적으로 조합하여 실체적인 추적을 구성하는 가짜 합성 데이터 생성 기반 기법을 개발하였다.
• 형태학적 수정 및 심부전, 부정맥 등 병리 상태를 포함한 제어된 변동성을 적용하여 합성 데이터 생성기의 다양성을 강화하였다.
• 다중 리드 및 다양한 샘플링 주파수에서 P, QRS, T파형의 지점(시작 및 종료)을 예측하기 위해 완전 컨volutional U-Net 기반 아키텍처를 학습시켰다.
• 두 가지 새로운 손실 함수를 도입하였다: 하나는 각 심장 구조에 정확히 한 개의 인스턴스를 예측하도록 강제하고, 다른 하나는 중요한 샘플 집합에 집중하여 정확한 경계 국정을 강조한다.
• 모델의 신뢰성 향상을 위해 입력 신호를 중앙값 기반 이동 윈도우(256개 샘플)를 사용하여 정규화하였다.
• 모델는 QT, LU, 절강병원의 세 개의 오픈소스 데이터베이스에서 학습 및 평가되었으며, 12-리드 및 홀터 기록을 250, 500, 2000 Hz에서 커버한다.

실험 결과

연구 질문

• RQ1 실제 ECG 세그먼트를 기반으로 한 합성 데이터 증강이 다양한 데이터베이스에서 딥러닝 모델의 일반화 성능 향상에 기여하는가?
• RQ2 형태 정규화 손실 함수는 고정된 수의 심장파형 검출과 정확한 경계 국정에 얼마나 효과적인가?
• RQ3 합성 데이터로 학습된 딥러닝 모델이 다양한 리드 구성과 병리 상태를 가진 실제 세계 ECG 데이터베이스에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ4 합성 데이터 생성 과정에 전문가 지식을 통합함으로써 모델의 내성성 향상과 특정 형태에 대한 과적합 방지 효과가 있는가?
• RQ5 빠른 심실성 빈맥이나 미세한 파형 변화와 같은 어려운 케이스에서 모델의 성능은 어떠한가?

주요 결과

• 제안된 모델은 세 개의 공개 ECG 데이터베이스 통합 테스트 세트에서 F1 스코어 99.38%를 기록하여 지점 검출이 거의 완벽한 수준임을 나타낸다.
• P, QRS, T파형의 평균 분할 오차는 시작점 기준 2.19 ± 17.73 ms, 종료점 기준 4.45 ± 18.32 ms로 높은 시간 정밀도를 보였다.
• 12-리드 대비 홀터, 250, 500, 2000 Hz 샘플링 주파수, 다양한 부정맥 및 구조적 심장 질환을 포함한 다양한 병리 상태를 가진 데이터베이스 간에도 모델의 일반화 성능이 뛰어났다.
• 특히 잘못된 예측(예: 잘못 태그된 파형, 잘못된 지점 위치, 노이즈 활성화 등)을 줄이는 데 있어 기존 최신 기술 대비 뛰어난 성능을 보였다.
• 모델는 내성성은 높지만 입력 정규화 방식에 민감함을 보였으며, 256개 샘플의 중앙값 기반 이동 윈도우 정규화 방식이 성능 향상에 기여하였다.
• 매우 빠른 심실성 빈맥과 같은 케이스에서는 다소 어려움을 겪었으며, 이는 전문가 심장 전문의에게도 알려진 도전 과제이므로 여전히 임상적 정점으로 남아 있다.