論文の概要: M(otion)-mode Based Prediction of Ejection Fraction using Echocardiograms

• arxiv url: http://arxiv.org/abs/2309.03759v1
• Date: Thu, 7 Sep 2023 15:00:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-08 12:39:45.173645
• Title: M(otion)-mode Based Prediction of Ejection Fraction using Echocardiograms
• Title（参考訳）: 心エコー図を用いたM(otion)モードによる誘発率予測
• Authors: Ece Ozkan and Thomas M. Sutter, Yurong Hu, Sebastian Balzer, Julia E. Vogt
• Abstract要約: 心エコー図のM(otion)モードを用いて左室流出率(EF)を推定し,心筋症を分類する。 心エコー図から複数の人工Mモード画像を生成し,既製のモデルアーキテクチャを用いて組み合わせる。 実験の結果,教師付き設定は10モードで収束し,ベースライン法に匹敵することがわかった。
• 参考スコア（独自算出の注目度）: 13.112371567924802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of cardiac dysfunction through routine screening is vital for diagnosing cardiovascular diseases. An important metric of cardiac function is the left ventricular ejection fraction (EF), where lower EF is associated with cardiomyopathy. Echocardiography is a popular diagnostic tool in cardiology, with ultrasound being a low-cost, real-time, and non-ionizing technology. However, human assessment of echocardiograms for calculating EF is time-consuming and expertise-demanding, raising the need for an automated approach. In this work, we propose using the M(otion)-mode of echocardiograms for estimating the EF and classifying cardiomyopathy. We generate multiple artificial M-mode images from a single echocardiogram and combine them using off-the-shelf model architectures. Additionally, we extend contrastive learning (CL) to cardiac imaging to learn meaningful representations from exploiting structures in unlabeled data allowing the model to achieve high accuracy, even with limited annotations. Our experiments show that the supervised setting converges with only ten modes and is comparable to the baseline method while bypassing its cumbersome training process and being computationally much more efficient. Furthermore, CL using M-mode images is helpful for limited data scenarios, such as having labels for only 200 patients, which is common in medical applications.
• Abstract（参考訳）: 定期スクリーニングによる心機能異常の早期発見は心血管疾患の診断に不可欠である。 心機能の重要な指標は左室放出分画(EF)であり、下肢のEFは心筋症と関連している。 エコー心電図は、超音波が低コストでリアルタイムで非イオン化技術である、心臓医学の一般的な診断ツールである。 しかし,EF計算のための心エコー図の人間による評価は,時間と専門知識が要求されるため,自動化アプローチの必要性が高まっている。 本研究では、心エコー図のM(otion)モードを用いて、EFの推定と心筋症分類を行う。 心エコー図から複数の人工Mモード画像を生成し,既製のモデルアーキテクチャを用いて組み合わせる。 さらに,コントラスト学習(CL)を心臓画像に拡張し,ラベルのないデータから有意な表現を学習することで,アノテーションを限定したモデルでも精度の高いモデルを実現する。 実験の結果,教師付き設定は10モードのみに収束し,煩雑なトレーニングプロセスを回避し,計算効率が向上し,ベースライン法に匹敵することがわかった。 さらに、Mモード画像を用いたCLは、200人の患者にラベルを付けるなどの限られたデータシナリオにおいて有用である。

関連論文リスト

• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• CMRxRecon2024: A Multi-Modality, Multi-View K-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI [39.0162369912624]
  CMRxRecon2024データセットは、最も大きく、最も多種多様な公開されたk空間データセットである。 健常者330名から取得され、一般的に使用されるモダリティ、解剖学的視点、臨床心臓MRIにおける獲得軌跡をカバーしている。
  論文  参考訳（メタデータ） (2024-06-27T09:50:20Z)
• Spatiotemporal Disentanglement of Arteriovenous Malformations in Digital Subtraction Angiography [37.44819725897024]
  本提案手法は, 船舶の自動分類による臨界情報を強調することにより, デジタルサブトラクション血管造影(DSA)画像シリーズを向上することを目的としている。 本法は, 臨床用DSA画像シリーズを用いて検討し, 動脈と静脈の効率的な鑑別を実証した。
  論文  参考訳（メタデータ） (2024-02-15T00:29:53Z)
• Echocardiogram Foundation Model -- Application 1: Estimating Ejection Fraction [2.4164193358532438]
  心エコー基礎モデルであるエコーAIを導入し,150万個の心エコーを用いて自己教師付き学習(SSL)を用いて訓練した。 我々は,EchoAIを微調整し,平均絶対パーセンテージ誤差を9.40%と評価した。
  論文  参考訳（メタデータ） (2023-11-21T13:00:03Z)
• Semantic-aware Temporal Channel-wise Attention for Cardiac Function Assessment [69.02116920364311]
  既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。 本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。 提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-09T05:57:01Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
  本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。 各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
  論文  参考訳（メタデータ） (2022-08-29T05:01:04Z)
• AI-enabled Assessment of Cardiac Systolic and Diastolic Function from Echocardiography [1.0082848901582044]
  左室機能(LV)は, 心疾患患者の管理, 予後, 長期生存において重要な因子である。 最近発表された心不全に関する臨床ガイドラインは、心機能の1つの尺度のみに依存することが最適であることを認めている。 近年,AIを用いた心エコー図法が進歩し,LV容積とLV放出率の自動推定に優れた結果が得られた。
  論文  参考訳（メタデータ） (2022-03-21T10:59:48Z)
• ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional Neural Networks [9.410102957429705]
  本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。 我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。 実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-18T14:55:46Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Interpreting Deep Neural Networks for Single-Lead ECG Arrhythmia Classification [0.0]
  心臓不整脈は、心臓疾患の死亡率と死亡率の重大な原因である。 ディープラーニング手法は、大規模な不整脈診断を行うためのソリューションを提供する。 得られたモデル出力をECGの対応するセグメントに関連付ける必要がある。 第1の方法は、CNNモデルの正当性を可視化するグラディエント重み付きクラス活性化マップ(Grad-CAM)の新規な応用である。 第2のアプローチでは、LSTMモデルの入力削除マスクを学習することで、サリエンシを導出する。
  論文  参考訳（メタデータ） (2020-04-11T13:24:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。