論文の概要: Latent Motion Profiling for Annotation-free Cardiac Phase Detection in Adult and Fetal Echocardiography Videos
- arxiv url: http://arxiv.org/abs/2507.05154v1
- Date: Mon, 07 Jul 2025 16:10:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.505549
- Title: Latent Motion Profiling for Annotation-free Cardiac Phase Detection in Adult and Fetal Echocardiography Videos
- Title（参考訳）: 成人および胎児心エコービデオにおける無注釈心臓位相検出のための潜時運動プロファイリング
- Authors: Yingyu Yang, Qianye Yang, Kangning Cui, Can Peng, Elena D'Alberti, Netzahualcoyotl Hernandez-Cruz, Olga Patey, Aris T. Papageorghiou, J. Alison Noble,
- Abstract要約: 本稿では,自己教師型学習によるエンドディストル(ED)とエンドシストル(ES)検出のための教師なしフレームワークを提案する。
本手法は,ED ESインデックスやセグメンテーション,ボリューム測定など,手動のアノテーションを必要としない。
EDの3フレーム (5Phase ms) とES検出の2フレーム (38.8 ms) の平均絶対誤差 (MAE) を達成する。
- 参考スコア（独自算出の注目度）: 4.306805601880343
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The identification of cardiac phase is an essential step for analysis and diagnosis of cardiac function. Automatic methods, especially data-driven methods for cardiac phase detection, typically require extensive annotations, which is time-consuming and labor-intensive. In this paper, we present an unsupervised framework for end-diastole (ED) and end-systole (ES) detection through self-supervised learning of latent cardiac motion trajectories from 4-chamber-view echocardiography videos. Our method eliminates the need for manual annotations, including ED and ES indices, segmentation, or volumetric measurements, by training a reconstruction model to encode interpretable spatiotemporal motion patterns. Evaluated on the EchoNet-Dynamic benchmark, the approach achieves mean absolute error (MAE) of 3 frames (58.3 ms) for ED and 2 frames (38.8 ms) for ES detection, matching state-of-the-art supervised methods. Extended to fetal echocardiography, the model demonstrates robust performance with MAE 1.46 frames (20.7 ms) for ED and 1.74 frames (25.3 ms) for ES, despite the fact that the fetal heart model is built using non-standardized heart views due to fetal heart positioning variability. Our results demonstrate the potential of the proposed latent motion trajectory strategy for cardiac phase detection in adult and fetal echocardiography. This work advances unsupervised cardiac motion analysis, offering a scalable solution for clinical populations lacking annotated data. Code will be released at https://github.com/YingyuYyy/CardiacPhase.
- Abstract（参考訳）: 心臓の相の同定は、心臓機能の解析と診断に欠かせないステップである。
自動法、特に心臓の位相検出のためのデータ駆動法は、通常、時間と労力がかかる広範囲なアノテーションを必要とする。
本稿では,4分間の心エコービデオからの潜在性心運動軌跡の自己教師付き学習を通して,終末拡張期(ED)と終末収縮期(ES)検出のための教師なしフレームワークを提案する。
本手法は,解釈可能な時空間運動パターンを符号化する再構成モデルを訓練することにより,EDおよびES指標,セグメンテーション,ボリューム測定などの手動アノテーションの必要性を解消する。
EchoNet-Dynamicベンチマークで評価され、EDでは3フレーム(58.3ms)、ES検出では2フレーム(38.8ms)の平均絶対誤差(MAE)を達成する。
胎児心エコー法に拡張され、胎児の心臓モデルが胎児の心臓位置変化のために非標準化された心臓ビューを用いて構築されているにもかかわらず、EDのMAE 1.46フレーム (20.7 ms) とESの1.74フレーム (25.3 ms) で堅牢な性能を示す。
以上の結果から,成人および胎児心エコー図における心位相検出のための潜在性運動軌跡法の可能性が示唆された。
この研究は、教師なしの心臓運動分析を推進し、注釈付きデータを持たない臨床患者にスケーラブルなソリューションを提供する。
コードはhttps://github.com/YingyuYyy/CardiacPhase.comでリリースされる。
関連論文リスト
- Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
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。
論文 参考訳（メタデータ） (2025-06-24T17:19:39Z) - 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) - Sequence-aware Pre-training for Echocardiography Probe Movement Guidance [71.79421124144145]
本稿では,高品質な標準平面画像取得のためのプローブポーズ調整によるロボットシステムや初心者の誘導に応用可能な,新しいプローブ移動誘導アルゴリズムを提案する。
本研究では, マスクアウト画像の特徴とプローブ動作をスキャンシーケンスで予測することにより, パーソナライズされた3次元心構造の特徴を学習する。
論文 参考訳（メタデータ） (2024-08-27T12:55:54Z) - Deciphering Heartbeat Signatures: A Vision Transformer Approach to Explainable Atrial Fibrillation Detection from ECG Signals [4.056982620027252]
単誘導心電図データに基づいて心房細動を識別するための視覚変換器アプローチを開発した。
また、残差ネットワーク(ResNet)アプローチも、視覚変換器アプローチと比較するために開発されている。
論文 参考訳（メタデータ） (2024-02-12T11:04:08Z) - 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) - Continuous 3D Myocardial Motion Tracking via Echocardiography [30.19879953016694]
心筋運動追跡は、心臓血管疾患の予防と検出に不可欠な臨床ツールである。
現在の技術は、空間次元と時間次元の両方において、心筋の不完全かつ不正確な運動推定に悩まされている。
本稿では, 心臓の3次元構造と包括的6次元前/後方運動をモデル化するためのニューラル心運動場(ニューラルCMF)について紹介する。
論文 参考訳（メタデータ） (2023-10-04T13:11:20Z) - A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。
各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文 参考訳（メタデータ） (2022-08-29T05:01:04Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳（メタデータ） (2020-11-17T16:15:49Z) - 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) - Interpreting Deep Neural Networks for Single-Lead ECG Arrhythmia
Classification [0.0]
心臓不整脈は、心臓疾患の死亡率と死亡率の重大な原因である。
ディープラーニング手法は、大規模な不整脈診断を行うためのソリューションを提供する。
得られたモデル出力をECGの対応するセグメントに関連付ける必要がある。
第1の方法は、CNNモデルの正当性を可視化するグラディエント重み付きクラス活性化マップ(Grad-CAM)の新規な応用である。
第2のアプローチでは、LSTMモデルの入力削除マスクを学習することで、サリエンシを導出する。
論文 参考訳（メタデータ） (2020-04-11T13:24:17Z)
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。