一种合成心电图(ECG)图像生成工具箱,以促进基于深度学习的扫描 ECG 数字化
本文研究应用生成对抗网络(GANs)生成真实且无隐私顾虑的电信号数据,用于医疗培训和数据分析,并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号,并且能够经受住简单的成员推断攻击,保证了训练集的隐私。
Sep, 2019
介绍一种新颖的端到端方法,用于生成非敏感患者信息的医疗数据集,并提供基于扩散模型的生成方法,用于生成高保真度、完整性和长期的医疗影像数据样本,以实现隐私合规的心脏超声心动图数据集的生成。
Jun, 2024
本文提出了基于临床文字报告的自回归生成模型 Auto-TTE,用于合成 12 导联心电图的文本转 ECG 任务,并与其他代表模型进行比较,实验结果表明我们的模型在各种定量评估和定性分析中具有优越性,经过三名美国心脏病学会认证心脏病专家的用户研究,证实了生成样本的保真度和语义对齐度。
Mar, 2023
本文提出一种基于生成式对抗网络(GANs)和统计的心电图(ECG)数据建模的新方法,以在 ECG 信号生成任务中利用先前对 ECG 信号动态特性的理解,在 MIT-BIH 心律失常数据库中进行实验验证,结果表明以 2-D 格式建模 ECG 信号的时间和幅度变化可以生成更真实的信号并提高最新的心律失常分类基线的性能。
Oct, 2022
该研究通过扩展 SimGAN 方法来调整一维数据,并修改基因编程框架 ezCGP 以进化 SimGAN,以评估新的定量指标,并使用该框架来增强心电图数据集,以提高异常心电分类器的准确性。
May, 2022
使用生成对抗网络 (GAN) 的 ECGNet 程序能够从任何单导联输入生成完整的 12 导联心电图 (ECG) 信号,并且通过交叉和自相关分析识别能够表征心血管疾病的特征。经过与肺心病功能结果数据,并使用具有 CVD - 指示特征的 ECG 信号作为输入进行 CVD 发作预测的 CNN 模型训练后,我们的模型可以实现对多个 CVD 目标的准确预测。该研究是首次利用单导联输入预测剩余的 11 个导联。
Sep, 2023
通过结合详细的心脏解剖分割模型和真实数据集,利用生成对抗网络(GAN)生成 3D 合成数据集来解决医学成像领域中的数据收集和标注困难,从而应对 3D 心脏超声图像数据稀缺问题,并展示了该方法在分割算法训练中的潜在应用价值。
Mar, 2024
本文提出了一种新型的面向疾病的生成对抗网络 ME-GAN 用于多视角心电图合成,实现了以疾病为条件的泛光心电表征,并将它们投影到多种标准视图上,同时还提出了一种新的度量标准 rFID 来评估合成心电图信号的质量。
Jul, 2022
CardiacGen 提供了一个基于深度学习的框架用于产生合成但生理上可信的心脏信号,该框架包括 HRV 模块和 Morphology 模块,并具有数据增强的性质。
Nov, 2022