論文の概要: CineMA: A Foundation Model for Cine Cardiac MRI

• arxiv url: http://arxiv.org/abs/2506.00679v1
• Date: Sat, 31 May 2025 19:12:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.480112
• Title: CineMA: A Foundation Model for Cine Cardiac MRI
• Title（参考訳）: CineMA:Cine Cardiac MRIの基礎モデル
• Authors: Yunguan Fu, Weixi Yi, Charlotte Manisty, Anish N Bhuva, Thomas A Treibel, James C Moon, Matthew J Clarkson, Rhodri Huw Davies, Yipeng Hu,
• Abstract要約: 臨床上重要な測定を限定ラベルで自動化する基礎的AIモデルであるCineMAを開発した。 CineMAは、74,916 cine CMR研究で訓練された自己消費オートエンコーダモデルである。 心室および心筋セグメンテーション, 左右心室排ガス分画計算, 疾患検出と分類, ランドマークの4つのカテゴリから23のタスクの8つのデータセットで評価した。
• 参考スコア（独自算出の注目度）: 5.568379273240117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac magnetic resonance (CMR) is a key investigation in clinical cardiovascular medicine and has been used extensively in population research. However, extracting clinically important measurements such as ejection fraction for diagnosing cardiovascular diseases remains time-consuming and subjective. We developed CineMA, a foundation AI model automating these tasks with limited labels. CineMA is a self-supervised autoencoder model trained on 74,916 cine CMR studies to reconstruct images from masked inputs. After fine-tuning, it was evaluated across eight datasets on 23 tasks from four categories: ventricle and myocardium segmentation, left and right ventricle ejection fraction calculation, disease detection and classification, and landmark localisation. CineMA is the first foundation model for cine CMR to match or outperform convolutional neural networks (CNNs). CineMA demonstrated greater label efficiency than CNNs, achieving comparable or better performance with fewer annotations. This reduces the burden of clinician labelling and supports replacing task-specific training with fine-tuning foundation models in future cardiac imaging applications. Models and code for pre-training and fine-tuning are available at https://github.com/mathpluscode/CineMA, democratising access to high-performance models that otherwise require substantial computational resources, promoting reproducibility and accelerating clinical translation.
• Abstract（参考訳）: 心臓磁気共鳴(CMR)は臨床心臓血管医学において重要な研究であり、人口調査で広く用いられている。 しかし, 心血管疾患の診断に要するエジェクション分画などの臨床的に重要な測定値の抽出には, 時間がかかり, 主観的である。 我々はこれらのタスクを限定ラベルで自動化する基礎的AIモデルであるCineMAを開発した。 CineMAは、74,916 cine CMR研究で訓練された自己教師型オートエンコーダモデルである。 細調整後, 心室および心筋セグメンテーション, 左右の心室排ガス分画計算, 疾患検出と分類, ランドマークの4つのカテゴリーから, 23のタスクの8つのデータセットで評価した。 CineMAはCMRが畳み込みニューラルネットワーク(CNN)に適合または優れる最初の基礎モデルである。 CineMAはCNNよりも高いラベル効率を示し、より少ないアノテーションで同等またはより良いパフォーマンスを実現した。 これにより、クリニックラベリングの負担を軽減し、将来の心臓イメージングへの応用において、タスク固有のトレーニングを微調整基礎モデルに置き換える支援をする。 事前トレーニングと微調整のためのモデルとコードはhttps://github.com/mathpluscode/CineMAで利用可能である。

関連論文リスト

• Phenotype-Guided Generative Model for High-Fidelity Cardiac MRI Synthesis: Advancing Pretraining and Clinical Applications [9.113410118160438]
  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。
  論文  参考訳（メタデータ） (2025-05-06T11:06:41Z)
• LaMoD: Latent Motion Diffusion Model For Myocardial Strain Generation [5.377722774297911]
  本稿では,標準CMRビデオから高精度なDENSE動作を予測するため,新しいラミネートモーション拡散モデル(LaMoD)を提案する。 実験の結果,提案手法であるLaMoDは標準CMR画像の動作解析の精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T12:54:32Z)
• CMRxRecon2024: A Multi-Modality, Multi-View K-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI [40.11088079783521]
  CMRxRecon2024データセットは、最も大きく、最もプロトカルなディバースで公開されている心臓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)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• Motion-related Artefact Classification Using Patch-based Ensemble and Transfer Learning in Cardiac MRI [5.186000805926489]
  本稿では,アンサンブルとトランスファーラーニングを用いた自動心臓MRI品質推定フレームワークを提案する。 トレーニングデータからサンプルした2次元画像パッチに,複数の事前学習モデルを初期化し,微調整した。 トレーニングセットと検証セットでそれぞれ78.8%と70.0%の分類精度を達成した。
  論文  参考訳（メタデータ） (2022-10-14T11:31:40Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• CNN-based Cardiac Motion Extraction to Generate Deformable Geometric Left Ventricle Myocardial Models from Cine MRI [0.0]
  Cine心MR画像からLV心筋の患者特異的幾何モデルの開発のための枠組みを提案する。 我々はvoxelmorph-based convolutional neural network (cnn) を用いて、心周期の次のフレームにエンドダイアゾールフレームの等表面メッシュとボリュームメッシュを伝搬する。
  論文  参考訳（メタデータ） (2021-03-30T21:34:29Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。