CRT-Net：一种用于心电图信号计算机辅助诊断的通用可扩展框架
机器学习
2021-05-31 v1
摘要
心电图（ECG）信号在许多类型心血管疾病的临床筛查与诊断中起着关键作用。尽管深度神经网络已极大促进了许多临床任务中的计算机辅助诊断（CAD），但临床中 ECG 的变异性与复杂性仍在诊断性能与临床应用上带来显著挑战。本文中，我们开发了一种用于 ECG 临床识别的鲁棒且可扩展的框架。考虑到医院通常以二维图像图形波形式记录 ECG 信号，我们首先通过提出的双向连通性方法将 12 导联图像的图形波提取为数值一维 ECG 信号。随后，设计了一种新颖的深度神经网络，即 CRT-Net，用于一维 ECG 信号的细粒度与全面表示及识别。CRT-Net 可通过在可扩展深度模型中嵌入卷积神经网络（CNN）、循环神经网络（RNN）与 transformer 模块，很好地挖掘 ECG 的波形特征、形态学特征与时域特征，尤其适用于从不同设备采集的、长度不一的临床场景。所提框架首先在两个广泛研究的公共库上评估，展示了相较最先进方法的优越 ECG 识别性能。此外，我们在本地医院收集的临床 ECG 图像上验证了双向连通性与 CRT-Net 的有效性，包括 258 名慢性肾病（CKD）患者、351 名 2 型糖尿病（T2DM）患者及约 300 名对照组患者。实验中，我们的方法在这两类疾病识别中均取得优异性能。
引用
@article{arxiv.2105.13619,
title = {CRT-Net: A Generalized and Scalable Framework for the Computer-Aided Diagnosis of Electrocardiogram Signals},
author = {Jingyi Liu and Zhongyu Li and Xiayue Fan and Jintao Yan and Bolin Li and Xuemeng Hu and Qing Xia and Yue Wu},
journal= {arXiv preprint arXiv:2105.13619},
year = {2021}
}