一个可通用的心跳分类器,利用自主监督学习在磁共振成像期间进行心电图分析
IEEE journal of biomedical and health informatics
|June 10, 2024
概括
自主监督学习 (SSL) 有效地改善了MRI扫描期间的心电图 (ECG) 分析. 这种技术提高了心跳分类的准确性,即使有有限的注释MRI心电图数据.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在磁共振成像 (MRI) 期间对心电图 (ECG) 监测对于患者的安全和图像同步至关重要.
- 电脑心电图信号在MRI的电磁环境中受到显著的扭曲,使自动分析和病态心跳分类复杂化.
- 现有的心跳分类深度学习模型需要大量的数据集,这对于在MRI期间获得的心电图来说很少.
研究的目的:
- 开发一个高效的ECG信号表示,使用语网络和一个大型的未注释的ECG数据库.
- 创建一个强大的心跳分类器,用于在MRI期间获得的心电图信号.
- 评估自主监督学习 (SSL) 和数据增强对MRI环境中的分类器性能的影响.
主要方法:
- 利用一个语网络从一个大型外部数据集中学习ECG信号表示.
- 应用了各种数据增强技术,包括MRI特定的文物模拟.
- 雇员自主监督学习 (SSL) 预培训为心跳分类器.
- 评估了对MRI期间获得的ECG信号的分类器概括.
主要成果:
- SSL预训练显著提高了MRI中心跳分类器的概括性,达到0.75.75的F1得分.
- 没有SSL的深度学习实现了0.46的F1得分,而经典机器学习方法产生了0.40.
- 该研究证明了SSL在从有限的注释医疗数据中学习高效的ECG表示的有效性.
结论:
- 自主监督学习 (SSL) 技术对于开发深度学习模型在MRI中进行心电图分析是非常有益的.
- 通过SSL,即使在MRI环境中缺乏特定的注释数据,也可以创建准确的心跳分类器.
- 拟议的方法为在MRI设置中对心律失常患者的成像提供了一个有希望的解决方案.
