論文の概要: Echo-E$^3$Net: Efficient Endo-Epi Spatio-Temporal Network for Ejection Fraction Estimation
- arxiv url: http://arxiv.org/abs/2503.17543v1
- Date: Fri, 21 Mar 2025 21:24:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:34:23.096569
- Title: Echo-E$^3$Net: Efficient Endo-Epi Spatio-Temporal Network for Ejection Fraction Estimation
- Title（参考訳）: Echo-E$^3$Net: Ejection Fraction Estimationのための効率的な内耳時空間ネットワーク
- Authors: Moein Heidari, Afshin Bozorgpour, AmirHossein Zarif-Fakharnia, Dorit Merhof, Ilker Hacihaliloglu,
- Abstract要約: 左室放出率(LVEF)は、心不全の診断や臨床的決定の導出に広く用いられている心機能を評価するための重要な指標である。
最近のディープラーニングの進歩は自動化を強化しているが、既存のモデルの多くは計算的に要求されている。
LVEF推定に適した効率的な内耳時間ネットワークであるEcho-E$3$Netを提案する。
- 参考スコア（独自算出の注目度）: 6.230277002017236
- License:
- Abstract: Left ventricular ejection fraction (LVEF) is a critical metric for assessing cardiac function, widely used in diagnosing heart failure and guiding clinical decisions. Despite its importance, conventional LVEF estimation remains time-consuming and operator-dependent. Recent deep learning advancements have enhanced automation, yet many existing models are computationally demanding, hindering their feasibility for real-time clinical applications. Additionally, the interplay between spatial and temporal features is crucial for accurate estimation but is often overlooked. In this work, we propose Echo-E$^3$Net, an efficient Endo-Epi spatio-temporal network tailored for LVEF estimation. Our method introduces the Endo-Epi Cardial Border Detector (E$^2$CBD) module, which enhances feature extraction by leveraging spatial and temporal landmark cues. Complementing this, the Endo-Epi Feature Aggregator (E$^2$FA) distills statistical descriptors from backbone feature maps, refining the final EF prediction. These modules, along with a multi-component loss function tailored to align with the clinical definition of EF, collectively enhance spatial-temporal representation learning, ensuring robust and efficient EF estimation. We evaluate Echo-E$^3$Net on the EchoNet-Dynamic dataset, achieving a RMSE of 5.15 and an R$^2$ score of 0.82, setting a new benchmark in efficiency with 6.8 million parameters and only 8.49G Flops. Our model operates without pre-training, data augmentation, or ensemble methods, making it well-suited for real-time point-of-care ultrasound (PoCUS) applications. Our Code is publicly available on~\href{https://github.com/moeinheidari7829/Echo-E3Net}{\textcolor{magenta}{GitHub}}.
- Abstract（参考訳）: 左室放出率(LVEF)は、心不全の診断や臨床的決定の導出に広く用いられている心機能を評価するための重要な指標である。
その重要性にもかかわらず、従来のLVEF推定は時間と演算子に依存している。
最近のディープラーニングの進歩は自動化を強化しているが、多くの既存モデルは計算的に要求されており、リアルタイム臨床応用の可能性を妨げる。
さらに、空間的特徴と時間的特徴の相互作用は正確な推定には不可欠であるが、しばしば見過ごされる。
本研究では,LVEF推定に適した効率的なエンド・エピ時空間ネットワークであるEcho-E$^3$Netを提案する。
本手法では,空間的および時間的ランドマーク的手がかりを利用して特徴抽出を強化するEdo-Epi Cardial Border Detector (E$^2$CBD) モジュールを導入する。
補足すると、Endo-Epi Feature Aggregator (E$^2$FA)はバックボーン特徴写像から統計的記述子を蒸留し、最終的なEF予測を精査する。
これらのモジュールは、EFの臨床的定義に合わせて調整された多成分損失関数とともに、空間時間的表現学習を強化し、堅牢で効率的なEF推定を確実にする。
我々はEchoNet-Dynamicデータセット上でEcho-E$^3$Netを評価し,RMSE 5.15とR$^2$スコア 0.82を達成し,680万パラメータと8.49G Flopsのベンチマークを新たに設定した。
我々のモデルは,事前訓練やデータ拡張,アンサンブルの手法を使わずに動作し,リアルタイム超音波(PoCUS)応用に適している。
私たちのコードは、~\href{https://github.com/moeinheidari7829/Echo-E3Net}{\textcolor{magenta}{GitHub}}で公開されています。
関連論文リスト
- Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。
この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。
本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
論文 参考訳（メタデータ） (2024-03-18T18:09:22Z) - CoReEcho: Continuous Representation Learning for 2D+time Echocardiography Analysis [42.810247034149214]
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。
論文 参考訳（メタデータ） (2024-03-15T10:18:06Z) - MPCNN: A Novel Matrix Profile Approach for CNN-based Sleep Apnea
Classification [0.0]
睡眠時無呼吸症(SA)は、世界的な健康問題を引き起こす重要な呼吸器疾患である。
心電図(ECG)に基づくSA診断における,いくつかの機械学習モデルとディープラーニングモデルについて検討した。
本稿では,心電図信号の包括的セグメントを深く掘り下げることで,この診断ギャップに対処する革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-11-25T14:39:12Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳（メタデータ） (2022-12-08T18:59:57Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - EchoGNN: Explainable Ejection Fraction Estimation with Graph Neural
Networks [26.817931695658583]
エジェクション分画(EF)は心機能の重要な指標であり、心不全などの心機能障害に起因した患者の識別を可能にする。
EFは、左心室を手動で追跡し、その容積を特定のフレームで推定することにより、心エコー(echo)として知られる心エコービデオから推定される。
これらの推定は、手動のプロセスと様々なビデオ品質により、サーバ間のばらつきが高い。
エコービデオからEFを推定するために,グラフニューラルネットワーク(GNN)に基づくモデルであるEchoGNNを導入する。
論文 参考訳（メタデータ） (2022-08-30T05:59:57Z) - Global ECG Classification by Self-Operational Neural Networks with
Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。
我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。
提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文 参考訳（メタデータ） (2022-04-07T22:49:18Z) - 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) - iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。
IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。
IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
論文 参考訳（メタデータ） (2020-06-23T02:57:29Z) - 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。