論文の概要: CoReEcho: Continuous Representation Learning for 2D+time Echocardiography Analysis
- arxiv url: http://arxiv.org/abs/2403.10164v2
- Date: Mon, 16 Sep 2024 12:42:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-18 02:45:24.185974
- Title: CoReEcho: Continuous Representation Learning for 2D+time Echocardiography Analysis
- Title（参考訳）: CoReEcho:2次元+時間心エコー解析のための連続表現学習
- Authors: Fadillah Adamsyah Maani, Numan Saeed, Aleksandr Matsun, Mohammad Yaqub,
- Abstract要約: 直接EF回帰に適した連続表現を強調する新しいトレーニングフレームワークであるCoReEchoを提案する。
CoReEcho: 1) 最大の心エコー画像データセット(EchoNet-Dynamic)上で現在最先端のSOTA(State-of-the-art)を、82.44の3.90&R2のMAEで上回り、2) 関連する下流タスクにおいてより効果的に転送する堅牢で一般化可能な機能を提供する。
- 参考スコア（独自算出の注目度）: 42.810247034149214
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning (DL) models have been advancing automatic medical image analysis on various modalities, including echocardiography, by offering a comprehensive end-to-end training pipeline. This approach enables DL models to regress ejection fraction (EF) directly from 2D+time echocardiograms, resulting in superior performance. However, the end-to-end training pipeline makes the learned representations less explainable. The representations may also fail to capture the continuous relation among echocardiogram clips, indicating the existence of spurious correlations, which can negatively affect the generalization. To mitigate this issue, we propose CoReEcho, a novel training framework emphasizing continuous representations tailored for direct EF regression. Our extensive experiments demonstrate that CoReEcho: 1) outperforms the current state-of-the-art (SOTA) on the largest echocardiography dataset (EchoNet-Dynamic) with MAE of 3.90 & R2 of 82.44, and 2) provides robust and generalizable features that transfer more effectively in related downstream tasks. The code is publicly available at https://github.com/fadamsyah/CoReEcho.
- Abstract（参考訳）: 深層学習(DL)モデルは、総合的なエンドツーエンドのトレーニングパイプラインを提供することで、心エコー法を含む様々なモードの自動医療画像解析を推進してきた。
このアプローチにより、DLモデルは2D+時間心エコー図から直接放出率(EF)を抑えることができ、性能が向上する。
しかし、エンドツーエンドのトレーニングパイプラインは、学習した表現をより説明しにくくする。
これらの表現は、心エコー画像クリップ間の連続的な関係を捉えることにも失敗し、一般化に悪影響を及ぼす急激な相関の存在を示す。
この問題を軽減するために,直接EF回帰に適した連続表現を強調する新しいトレーニングフレームワークであるCoReEchoを提案する。
私たちの大規模な実験は、CoReEchoを実証しています。
1) エコーNet-Dynamic (EchoNet-Dynamic) における現在最先端のSOTA(State-of-the-art) を、82.44の3.90&R2のMAEで上回ります。
2.2は、関連する下流タスクをより効果的に転送する堅牢で一般化可能な機能を提供する。
コードはhttps://github.com/fadamsyah/CoReEchoで公開されている。
関連論文リスト
- EchoTracker: Advancing Myocardial Point Tracking in Echocardiography [0.6263680699548959]
EchoTrackerは、超音波画像シーケンスを横切る組織表面のクエリポイントの追跡を容易にする、2倍の粗い粒度モデルである。
実験の結果、平均位置精度は67%、中央軌道誤差は2.86ピクセルである。
このことは、学習に基づく点追跡がパフォーマンスを向上し、臨床測定において高い診断と予後の値が得られることを示唆している。
論文 参考訳（メタデータ） (2024-05-14T13:24:51Z) - Interpretable Multimodal Learning for Cardiovascular Hemodynamics Assessment [5.854275745400326]
肺動脈圧 (PAWP) は心不全の診断に必須の指標である。
本稿では,PAWPマーカーを予測するマルチモーダル学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-04-06T19:42:25Z) - 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) - SimLVSeg: Simplifying Left Ventricular Segmentation in 2D+Time Echocardiograms with Self- and Weakly-Supervised Learning [0.8672882547905405]
狭義の心エコービデオから一貫した左室(LV)セグメンテーションを行うビデオベースネットワークであるSimLVSegを開発した。
SimLVSegは、時間的マスキングによる自己教師付き事前トレーニングと、スパースアノテーションからのLVセグメンテーションに適した弱い教師付き学習で構成されている。
我々は、SimLVSegが、最大の2D+時間心エコー画像データセットで93.32%のダイススコアを達成して、最先端のソリューションをいかに優れているかを実証する。
論文 参考訳（メタデータ） (2023-09-30T18:13:41Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳（メタデータ） (2023-06-09T15:38:25Z) - Extraction of volumetric indices from echocardiography: which deep
learning solution for clinical use? [6.144041824426555]
提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。
実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
論文 参考訳（メタデータ） (2023-05-03T09:38:52Z) - Counterfactual Intervention Feature Transfer for Visible-Infrared Person
Re-identification [69.45543438974963]
視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。
十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。
本稿では,これらの問題に対処するためのCIFT法を提案する。
論文 参考訳（メタデータ） (2022-08-01T16:15:31Z) - Learning to segment with limited annotations: Self-supervised
pretraining with regression and contrastive loss in MRI [1.419070105368302]
ディープラーニングモデルを駆動し、異なる表現を学習するための事前学習アプローチを2つ検討する。
磁気共鳴(MR)画像を用いた2つの下流セグメンテーションアプリケーションにおいて,プレトレーニング手法の効果を評価する。
我々は,ラベル付きデータセットが少ない場合に,自己スーパービジョンを用いて事前訓練したDLモデルを同等の性能で微調整できることを示した。
論文 参考訳（メタデータ） (2022-05-26T02:23:14Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching [76.4844593082362]
既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
論文 参考訳（メタデータ） (2020-04-26T05:43:21Z)
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。