[论文解读] Heart Disease Detection using Vision-Based Transformer Models from ECG Images

Zeynep Hilal Kilimci, Mustafa Yalçın+2 more|arXiv (Cornell University)|Oct 19, 2023

ECG Monitoring and Analysis被引用 4

一句话总结

本文提出了一种基于视觉变换器的新框架，用于通过心电图（ECG）图像进行心脏病检测，采用Google-ViT、Microsoft-Beit和Swin-Tiny模型。该方法在分类性能上达到当前最先进水平，是首个将这些先进的视觉变换器模型直接应用于ECG图像数据进行心脏诊断的研究。

ABSTRACT

Heart disease, also known as cardiovascular disease, is a prevalent and critical medical condition characterized by the impairment of the heart and blood vessels, leading to various complications such as coronary artery disease, heart failure, and myocardial infarction. The timely and accurate detection of heart disease is of paramount importance in clinical practice. Early identification of individuals at risk enables proactive interventions, preventive measures, and personalized treatment strategies to mitigate the progression of the disease and reduce adverse outcomes. In recent years, the field of heart disease detection has witnessed notable advancements due to the integration of sophisticated technologies and computational approaches. These include machine learning algorithms, data mining techniques, and predictive modeling frameworks that leverage vast amounts of clinical and physiological data to improve diagnostic accuracy and risk stratification. In this work, we propose to detect heart disease from ECG images using cutting-edge technologies, namely vision transformer models. These models are Google-Vit, Microsoft-Beit, and Swin-Tiny. To the best of our knowledge, this is the initial endeavor concentrating on the detection of heart diseases through image-based ECG data by employing cuttingedge technologies namely, transformer models. To demonstrate the contribution of the proposed framework, the performance of vision transformer models are compared with state-of-the-art studies. Experiment results show that the proposed framework exhibits remarkable classification results.

研究动机与目标

• 为解决利用非侵入性且广泛可用的心电图影像数据实现心脏病早期且准确检测的迫切需求。
• 探索此前未应用于心电图图像的视觉变换器模型在自动化心脏诊断中的潜力。
• 评估并比较尖端视觉变换器模型（Google-ViT、Microsoft-Beit、Swin-Tiny）在基于心电图图像的心脏病分类任务中的性能。
• 建立基于变换器的心电图图像分析基准，证明其在性能上优于现有方法。

提出的方法

• 将原始心电图信号转换为适合视觉变换器处理的二维图像表示。
• 在心电图图像数据集上微调三种预训练的视觉变换器模型：Google-ViT、Microsoft-Beit和Swin-Tiny。
• 利用迁移学习，使视觉变换器在有限标注数据下适应心脏分类任务。
• 应用标准的数据增强和归一化技术，以提升模型的泛化能力和鲁棒性。
• 使用标准的交叉熵损失函数进行模型训练与验证，并采用早停法防止过拟合。
• 通过在保留测试集上使用准确率、精确率、召回率和F1分数等标准指标评估模型性能。

实验结果

研究问题

• RQ1 在医学心电图数据上微调后，视觉变换器模型能否有效实现从心电图图像中分类心脏病？
• RQ2 与现有最先进方法相比，Google-ViT、Microsoft-Beit和Swin-Tiny等视觉变换器在基于心电图的心脏病检测中的性能表现如何？
• RQ3 视觉变换器中的自注意力机制在捕捉心电图图像中复杂空间模式方面的贡献是什么？
• RQ4 视觉变换器在多样化心电图信号模式和病理类型上的泛化能力如何？
• RQ5 与心脏病学中传统深度学习模型相比，视觉变换器能否在心电图图像上实现更优的分类准确率？

主要发现

• 所提出的视觉变换器框架在基于心电图图像的心脏病检测中实现了最先进分类性能。
• 在所评估的模型中，Google-ViT在测试集上表现出最高准确率，优于Microsoft-Beit和Swin-Tiny。
• 与先前最先进方法相比，使用视觉变换器显著提升了基于心电图的心脏病诊断分类结果。
• 模型展现出强大的泛化能力，在多样化心电图模式和病理类型中均保持高性能。
• 视觉变换器中自注意力机制的整合，有效捕捉了心电图图像中的长距离依赖关系，从而提升了诊断精度。
• 该框架为基于视觉变换器的心电图图像分析建立了新基准，展示了其在临床心脏病学应用中的潜力。