Classification of systolic murmurs in heart sounds using multiresolution complex Gabor dictionary and vision transformer

Resumen Técnico: Clasificación de Soplos Sistólicos en Sonidos Cardíacos usando Diccionario Gabor Complejo Multirresolución y Vision Transformer

1. Problema y Contexto

Las enfermedades cardiovasculares son una de las principales causas de mortalidad mundial. La detección temprana es crucial, y los sonidos cardíacos (fonocardiogramas o PCG) ofrecen un método no invasivo y de bajo costo para identificar anomalías. Los soplos sistólicos (sonidos anormales durante la fase de contracción del corazón) son indicadores críticos de problemas como estenosis valvular o regurgitación.

El desafío principal radica en la naturaleza no estacionaria y compleja de estos sonidos, que varían en intensidad, tono y calidad (morfología). Los métodos tradicionales de análisis en el dominio del tiempo o la frecuencia a menudo fallan en capturar las interacciones dinámicas entre ambas. Además, la variabilidad individual y la superposición de componentes de los soplos dificultan la clasificación automática precisa. Aunque las redes neuronales convolucionales (CNN) y recurrentes (RNN) han avanzado, tienen limitaciones para capturar dependencias globales a largo plazo o sufren de sobreajuste en conjuntos de datos pequeños.

2. Metodología Propuesta

El sistema propuesto es un enfoque híbrido que combina un módulo de extracción de características basado en modelado disperso y un modelo de clasificación basado en transformadores.

A. Módulo de Extracción de Características:

• Diccionario Gabor Complejo Multirresolución: Se utiliza un diccionario redundante compuesto por funciones base Gabor complejas con diferentes resoluciones temporales y espectrales. Esto permite una localización óptima en tiempo y frecuencia.
• Búsqueda Ortogonal Compleja (COMP): Los segmentos de los soplos se proyectan sobre este diccionario utilizando el algoritmo Complex Orthogonal Matching Pursuit (COMP). A diferencia de los métodos reales, COMP preserva la información de fase y magnitud, lo cual es vital para distinguir patrones micro-oscilatorios.
• Manejo de Múltiples Segmentos: Para mitigar la variabilidad dentro de una misma grabación, el sistema proyecta múltiples segmentos de un soplo utilizando un diccionario compartido. Esto obliga a que los pesos de proyección correspondan al mismo conjunto de funciones base, generando matrices de características tiempo-frecuencia consistentes.
• Reconstrucción de Matrices: Los pesos de proyección se dividen por resolución y se reestructuran (reshaping) en matrices 2D de resolución variable (desde $2 \times 256$ hasta $256 \times 2$), capturando diferentes escalas de información temporal y espectral.

B. Modelo de Clasificación (Vision Transformer - ViT):

• Tokenización con CNN: Las matrices de características multirresolución se procesan individualmente a través de ramas de Redes Neuronales Convolucionales (CNN) 2D para la tokenización de parches, reduciendo la dimensionalidad y extrayendo características locales.
• Transformador de Visión: Los tokens resultantes se concatenan y alimentan a un codificador de Vision Transformer. Este incluye:
  • Atención Multi-cabeza (Multihead Attention): Para modelar dependencias globales y contextuales entre las diferentes resoluciones y parches.
  • Redes Feedforward (FFN): Convoluciones de kernel 1x1 para transformaciones de canal.
  • Conexiones Residuales y Normalización: Para estabilizar el entrenamiento y mejorar el flujo de gradientes.
• Salida: Una capa totalmente conectada con softmax para la clasificación final en 4 clases.

3. Contribuciones Clave

1. Extracción de Características Dispersa Avanzada: Desarrollo de un módulo que utiliza un diccionario Gabor complejo multirresolución y COMP para extraer características intrínsecas tiempo-frecuencia, preservando la información de fase crítica para la diferenciación de morfologías.
2. Consistencia Inter-segmento: Implementación de un mecanismo de proyección conjunta sobre un diccionario compartido para múltiples segmentos de una misma grabación, lo que reduce la variabilidad intra-grabación y genera representaciones más robustas.
3. Arquitectura Híbrida CNN-ViT: Integración exitosa de CNNs para la extracción de características locales en múltiples resoluciones con un Vision Transformer para la clasificación global, aprovechando las fortalezas de ambos paradigmas.
4. Validación Rigurosa: Análisis exhaustivo en un conjunto de datos público (CirCor DigiScope) con cuatro clases morfológicas bien definidas (Diamante, Meseta, Decrescendo, Crescendo).

4. Resultados Experimentales

• Dataset: Se utilizó el conjunto de datos CirCor DigiScope, que incluye 4337 segmentos de soplos sistólicos anotados por expertos, divididos en 4 clases morfológicas.
• Rendimiento: El sistema propuesto (específicamente la variante "Proposed II" que proyecta múltiples soplos) logró una precisión de clasificación del 95.96%.
• Métricas Adicionales:
  • Especificidad media: 98.43%.
  • Puntuación F1 macro: 81.87% (la diferencia con la precisión se debe al desequilibrio de clases, especialmente la escasez de ejemplos de tipo "Crescendo").
• Comparativa: El modelo superó significativamente a las líneas base tradicionales (ResNet y PCTMF-Net) utilizando representaciones STFT, CWT y WVD. La mejora fue de aproximadamente un 10% en precisión respecto a los mejores baselines.
• Análisis de Clases: El modelo mostró alta fiabilidad en las clases mayoritarias (Diamante y Meseta, con F1 > 93%) y mantuvo capacidad discriminativa en la clase minoritaria "Crescendo" (F1 = 59.10%), a pesar de tener solo 27 segmentos en el dataset.

5. Significado e Impacto

Este estudio demuestra que la combinación de modelado disperso avanzado (para una representación física precisa de la señal) con arquitecturas de transformadores (para el aprendizaje de dependencias globales) es altamente efectiva para el diagnóstico de enfermedades cardíacas mediante audio.

• Precisión Diagnóstica: El sistema ofrece una herramienta automatizada capaz de identificar con alta fiabilidad las morfologías de los soplos sistólicos, lo cual es fundamental para el diagnóstico diferencial de estenosis y regurgitaciones.
• Robustez: La capacidad de manejar la variabilidad intra-grabación y el desequilibrio de clases sugiere que el sistema es robusto para su aplicación en entornos clínicos reales.
• Futuro: Los autores proponen extender este enfoque a soplos diastólicos y patologías respiratorias, así como validar el sistema en conjuntos de datos multicéntricos más grandes y explorar su despliegue en tiempo real para atención primaria.

En conclusión, la investigación presenta un marco innovador que supera las limitaciones de los métodos actuales, ofreciendo una solución prometedora para la detección automatizada y precisa de anomalías cardíacas.