[论文解读] 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 10

一句话总结

ME-GAN 提出了一种用于多视角 ECG 合成的新颖条件 GAN，通过学习全局心电图表征并利用一种新颖的混合归一化层注入特定疾病的形态学变化，实现了生理上准确、视角一致且具备正确疾病表现的 ECG 信号合成，其性能通过新提出的 rFID 指标得到验证。

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.

研究动机与目标

• 解决缺乏保留解剖视角一致性和疾病特异性形态学的多视角 ECG 合成模型的问题。
• 实现基于心脏疾病类型的端到端 12 导联 ECG 信号生成，精确实现病理变化的定位。
• 开发一种可靠的评估指标 rFID，用于评估合成多视角 ECG 信号的质量。
• 通过视角感知的监督机制，利用视角判别器确保各视角间解剖表征的正确性。
• 利用一种新颖的归一化技术，实现对特定 ECG 波形的精确、局部化的疾病信息注入。

提出的方法

• 生成器采用两阶段架构：首先合成全局心电图表征，然后使用 Nef-Net 解码器将其解码为标准的 12 导联 ECG 视角。
• 引入视角判别器，通过将打乱的 ECG 视角重新排序为标准序列，以强制实现正确的视角顺序和特征。
• 一种新颖的混合归一化层执行长度方向、位置感知的归一化，将特定疾病的形态学变化（如 LBBB 中 R 波的切迹）精确注入特定 ECG 波形。
• 模型采用条件 GAN 框架，主判别器负责真实/伪造样本分类及疾病类别识别，辅助视角判别器负责视角一致性。
• 使用预训练的 1D Inception 网络计算相对 Fréchet Inception 距离（rFID），这是一种用于评估合成 ECG 信号质量的新指标。
• 训练过程结合对抗损失、循环一致性损失和疾病分类损失，以优化生成器和判别器组件。

实验结果

研究问题

• RQ1 GAN 模型能否生成在不同导联间保持解剖一致性，同时准确反映疾病特异性形态学变化的多视角 ECG 信号？
• RQ2 如何实现对特定 ECG 波形的精确空间定位疾病信息注入，而非在整个信号上全局注入？
• RQ3 所提出的视角判别器是否能有效强制实现正确的解剖表征，并区分不同 ECG 导联的特征？
• RQ4 与现有指标相比，rFID 指标是否能可靠评估合成多视角 ECG 信号的质量？
• RQ5 采用全局心电图表征学习的两阶段生成器架构，相较于端到端方法，如何提升多视角 ECG 合成性能？

主要发现

• ME-GAN 在 rFID 和 PR-AUC 上均优于条件 WGAN-GP 及其他基线模型，平均 rFID 为 1.27，平均 PR-AUC 为 0.92，表明其合成质量高且疾病一致性强。
• 该模型成功捕捉了关键病理表现：对于 RBBB，其在 V2 导联正确生成 R 波切迹，且在 V1 和 V6 导联生成延长的 S 波，而 WGAN-GP 无法复现这些特征。
• 视角判别器有效防止了模式崩溃，并确保合成的各视角保持清晰可区分的、解剖学上正确的特征。
• 随着噪声、擦除和模糊等干扰的增加，rFID 分数持续上升，证实其对信号退化敏感且在质量评估中具有可靠性。
• 混合归一化层实现了精确、局部化的疾病注入——例如，LBBB 的切迹仅出现在 R 波中，而未扭曲其他波形特征。
• 采用全局表征学习的两阶段生成器架构提升了视角一致性与信号平滑度，表现为视觉上更清晰的波形及相比基线更低的噪声。