論文の概要: Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG

• arxiv url: http://arxiv.org/abs/2506.20683v1
• Date: Tue, 24 Jun 2025 17:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.812877
• Title: Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG
• Title（参考訳）: 心臓MRIと心電図による共同表現のための大域的・局所的コントラスト学習
• Authors: Alexander Selivanov, Philip Müller, Özgün Turgut, Nil Stolt-Ansó, Daniel Rückert,
• Abstract要約: PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
• 参考スコア（独自算出の注目度）: 40.407824759778784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An electrocardiogram (ECG) is a widely used, cost-effective tool for detecting electrical abnormalities in the heart. However, it cannot directly measure functional parameters, such as ventricular volumes and ejection fraction, which are crucial for assessing cardiac function. Cardiac magnetic resonance (CMR) is the gold standard for these measurements, providing detailed structural and functional insights, but is expensive and less accessible. To bridge this gap, we propose PTACL (Patient and Temporal Alignment Contrastive Learning), a multimodal contrastive learning framework that enhances ECG representations by integrating spatio-temporal information from CMR. PTACL uses global patient-level contrastive loss and local temporal-level contrastive loss. The global loss aligns patient-level representations by pulling ECG and CMR embeddings from the same patient closer together, while pushing apart embeddings from different patients. Local loss enforces fine-grained temporal alignment within each patient by contrasting encoded ECG segments with corresponding encoded CMR frames. This approach enriches ECG representations with diagnostic information beyond electrical activity and transfers more insights between modalities than global alignment alone, all without introducing new learnable weights. We evaluate PTACL on paired ECG-CMR data from 27,951 subjects in the UK Biobank. Compared to baseline approaches, PTACL achieves better performance in two clinically relevant tasks: (1) retrieving patients with similar cardiac phenotypes and (2) predicting CMR-derived cardiac function parameters, such as ventricular volumes and ejection fraction. Our results highlight the potential of PTACL to enhance non-invasive cardiac diagnostics using ECG. The code is available at: https://github.com/alsalivan/ecgcmr
• Abstract（参考訳）: 心電図(Electrocardiogram、ECG)は、心臓の電気的異常を検出するために広く用いられる、費用対効果の高いツールである。 しかし、心機能評価に欠かせない、心室容積や吐出率などの機能パラメータを直接測定することはできない。 心臓磁気共鳴(CMR)はこれらの測定のための金の標準であり、詳細な構造的および機能的な洞察を提供するが、高価でアクセスしにくい。 このギャップを埋めるために、我々は、CMRから時空間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークであるPTACL(Patient and Temporal Alignment Contrastive Learning)を提案する。 PTACLは、グローバルな患者レベルのコントラスト損失と、局所的な時間レベルのコントラスト損失を使用する。 グローバルな損失は、心電図とCMRの埋め込みを同じ患者から近づき、異なる患者から埋め込みを分離することで、患者レベルの表現を一致させる。 局所的な損失は、ECGセグメントを対応するCMRフレームと対比することにより、各患者の微細な時間的アライメントを強制する。 このアプローチは、電気的活動を超えた診断情報でECG表現を強化し、新たな学習可能な重みを導入することなく、グローバルアライメントだけに留まらず、モダリティ間でより多くの洞察を伝達する。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 1)類似の心臓表現型を持つ患者を検索し,(2)心室容積や放出分画などのCMR由来の心機能パラメータを予測する。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。 コードは、https://github.com/alsalivan/ecgcmr.comで入手できる。

関連論文リスト

• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• 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)
• MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• Unlocking the diagnostic potential of electrocardiograms through information transfer from cardiac magnetic resonance imaging [9.77594028637426]
  本稿では,心電図のみから,費用対効果と総合的な心検診を行うための深層学習戦略を提案する。 提案手法は,マルチモーダルコントラスト学習とマスク付きデータモデリングを組み合わせて,CMR画像からECG表現へのドメイン固有情報転送を行う。
  論文  参考訳（メタデータ） (2023-08-09T10:05:11Z)
• Multi-scale Cross-restoration Framework for Electrocardiogram Anomaly Detection [33.48389041651675]
  心電図(Electrocardiogram、ECG)は、心疾患の診断に広く用いられるツールである。 希少な心疾患は、トレーニングデータセットがすべての心疾患を排出できないことを考慮して、従来の心電図解析を用いて診断されることがある。 本稿では、異常検出を用いて不健康状態を特定し、通常の心電図をトレーニング用として用いることを提案する。
  論文  参考訳（メタデータ） (2023-08-03T09:16:57Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• CardioGAN: Attentive Generative Adversarial Network with Dual Discriminators for Synthesis of ECG from PPG [25.305949034527202]
  心電図(Electrocardiogram、ECG)は、心臓活動の電気的測定である。 光胸腺X線写真(英: Photoplethysmogram, PPG)は、血液循環の変化の光学的測定である。 本稿では、PSGを入力とし、ECGを出力として生成する逆モデルであるCardioGANを提案する。
  論文  参考訳（メタデータ） (2020-09-30T20:49:30Z)

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。