論文の概要: Phenotype-Guided Generative Model for High-Fidelity Cardiac MRI Synthesis: Advancing Pretraining and Clinical Applications

• arxiv url: http://arxiv.org/abs/2505.03426v1
• Date: Tue, 06 May 2025 11:06:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.344908
• Title: Phenotype-Guided Generative Model for High-Fidelity Cardiac MRI Synthesis: Advancing Pretraining and Clinical Applications
• Title（参考訳）: 高忠実度心臓MRI合成のためのフェノタイプ誘導生成モデル:事前訓練の促進と臨床応用
• Authors: Ziyu Li, Yujian Hu, Zhengyao Ding, Yiheng Mao, Haitao Li, Fan Yi, Hongkun Zhang, Zhengxing Huang,
• Abstract要約: 本稿では, 多様なCMRデータを生成するための新しいアプローチとして, CPGG(Cardiac Phenotype-Guided CMR Generation)を提案する。 CPGGフレームワークは2つの段階から構成されており、第1段階では、CMRデータ由来の心臓表現型を用いて生成モデルを訓練する。 第2段階では、これらの表現型に条件付けされたマスク付き自己回帰拡散モデルが高忠実度CMRシネ配列を生成する。
• 参考スコア（独自算出の注目度）: 9.113410118160438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac Magnetic Resonance (CMR) imaging is a vital non-invasive tool for diagnosing heart diseases and evaluating cardiac health. However, the limited availability of large-scale, high-quality CMR datasets poses a major challenge to the effective application of artificial intelligence (AI) in this domain. Even the amount of unlabeled data and the health status it covers are difficult to meet the needs of model pretraining, which hinders the performance of AI models on downstream tasks. In this study, we present Cardiac Phenotype-Guided CMR Generation (CPGG), a novel approach for generating diverse CMR data that covers a wide spectrum of cardiac health status. The CPGG framework consists of two stages: in the first stage, a generative model is trained using cardiac phenotypes derived from CMR data; in the second stage, a masked autoregressive diffusion model, conditioned on these phenotypes, generates high-fidelity CMR cine sequences that capture both structural and functional features of the heart in a fine-grained manner. We synthesized a massive amount of CMR to expand the pretraining data. Experimental results show that CPGG generates high-quality synthetic CMR data, significantly improving performance on various downstream tasks, including diagnosis and cardiac phenotypes prediction. These gains are demonstrated across both public and private datasets, highlighting the effectiveness of our approach. Code is availabel at https://anonymous.4open.science/r/CPGG.
• Abstract（参考訳）: 心臓磁気共鳴(CMR)イメージングは、心臓疾患を診断し、心臓の健康を評価するための重要な非侵襲的ツールである。 しかし、大規模で高品質なCMRデータセットの可用性が制限されることは、この領域における人工知能(AI)の効果的な適用に大きな課題をもたらす。 ラベルのないデータの量やそれがカバーする健康状態でさえ、モデル事前トレーニングのニーズを満たすのは難しいため、下流タスクにおけるAIモデルのパフォーマンスを妨げます。 本研究は, 心型Phenotype-Guided CMR Generation (CPGG) について述べる。 CPGGフレームワークは、第1段階では、CMRデータ由来の心臓表現型を用いて、生成モデルを訓練し、第2段階では、これらの表現型に条件付されたマスク付き自己回帰拡散モデルにより、心の構造的特徴と機能的特徴の両方をきめ細かな方法で捕捉する高忠実度CMRシネ配列を生成する。 我々は事前学習データを拡張するために大量のCMRを合成した。 実験の結果,CPGGは高品質な合成CMRデータを生成し,診断や心臓表現型予測など,下流タスクの性能を著しく向上させることがわかった。 これらの利益は、パブリックデータセットとプライベートデータセットの両方で実証され、私たちのアプローチの有効性を強調します。 コードはhttps://anonymous.4open.science/r/CPGGで利用可能である。

関連論文リスト

• Augmentation-based Domain Generalization and Joint Training from Multiple Source Domains for Whole Heart Segmentation [0.49923266458151416]
  心臓血管疾患は 世界中の死因です 心臓全体を表す重要な心臓構造のセマンティックセグメンテーションは、患者固有の心臓形態と病理を評価するのに有用である。 深層学習に基づく医用画像セグメンテーションの手法は、過去10年間で大きな進歩を遂げた。
  論文  参考訳（メタデータ） (2025-08-06T15:37:22Z)
• Extreme Cardiac MRI Analysis under Respiratory Motion: Results of the CMRxMotion Challenge [56.28872161153236]
  ディープラーニングモデルは、自動心臓磁気共鳴(CMR)解析において最先端の性能を達成した。 これらのモデルの有効性は、高品質でアーティファクトフリーな画像の可用性に大きく依存している。 この領域の研究を促進するために,MICCAI CMRxMotion チャレンジを組織した。
  論文  参考訳（メタデータ） (2025-07-25T11:12:21Z)
• Improving Myocardial Infarction Detection via Synthetic ECG Pretraining [0.0]
  心筋梗塞は世界中で大きな死因であり,心電図(ECG)からの正確な早期診断が臨床上の優先事項である。 ディープラーニングモデルはECGの自動解釈を約束しているが、大量のラベル付きデータを必要とする。 本研究では,12個の心電図を調整可能なMI形態と現実的な雑音で合成する生理的認識パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-06-29T14:29:55Z)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis [45.074243735766]
  本稿では,高画質のdMRIを生成する物理誘導拡散モデルを提案する。 本モデルは拡散過程におけるノイズ進化におけるdMRIの物理原理を紹介する。 実験の結果,本手法は他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-05T07:09:19Z)
• Whole Heart 3D+T Representation Learning Through Sparse 2D Cardiac MR Images [13.686473040836113]
  本研究では,心臓スタック全体にわたる空間的パッチと時間的パッチの相関関係を自動的に解明する,完全自己教師型学習フレームワークを提案する。 我々は、UK BioBankから14,000のラベルなしCMRデータをトレーニングし、1000の注釈付きデータで評価する。
  論文  参考訳（メタデータ） (2024-06-01T07:08:45Z)
• Debiasing Cardiac Imaging with Controlled Latent Diffusion Models [1.802269171647208]
  本稿では,データセットに固有の不均衡を,合成データの生成によって緩和する手法を提案する。 我々は,患者メタデータと心臓の形状から合成したテキストを条件に,拡散確率モデルに基づく制御ネットを採用する。 本実験は,データセットの不均衡を緩和する手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2024-03-28T15:41:43Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• AWSnet: An Auto-weighted Supervision Attention Network for Myocardial Scar and Edema Segmentation in Multi-sequence Cardiac Magnetic Resonance Images [23.212429566838203]
  マルチシーケンスCMRデータから傷痕と浮腫のセグメンテーションに取り組むための,新しい自動重み付け監視フレームワークを開発した。 また, より小さな心筋病変領域の分画を, 形状の事前知識で促進する, 粗大から細大の枠組みを設計した。 マルチシーケンスCMRデータを用いた心筋病理診断の進歩に期待できる。
  論文  参考訳（メタデータ） (2022-01-14T08:59:54Z)
• Functional Magnetic Resonance Imaging data augmentation through conditional ICA [44.483210864902304]
  本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。 本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2021-07-11T22:36:14Z)

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。