論文の概要: CTSL: Codebook-based Temporal-Spatial Learning for Accurate Non-Contrast Cardiac Risk Prediction Using Cine MRIs

• arxiv url: http://arxiv.org/abs/2507.16612v1
• Date: Tue, 22 Jul 2025 14:12:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:14.147259
• Title: CTSL: Codebook-based Temporal-Spatial Learning for Accurate Non-Contrast Cardiac Risk Prediction Using Cine MRIs
• Title（参考訳）: CTSL:Cine MRIを用いた非コントラスト心リスク予測のためのコードブックを用いた時空間学習
• Authors: Haoyang Su, Shaohao Rui, Jinyi Xiang, Lianming Wu, Xiaosong Wang,
• Abstract要約: 既存の方法は、心室心筋のヒト精製マスクに基づく教師あり学習を必要とする。 セグメンテーションマスクを必要としない生のCineデータから学習する自己教師型フレームワーク,すなわちCodebookベースの時間空間学習(TSL)を導入する。 高信頼度MACEリスク予測は我々のモデルにより達成され、心臓リスク評価のための迅速で非侵襲的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 2.668073128790639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and contrast-free Major Adverse Cardiac Events (MACE) prediction from Cine MRI sequences remains a critical challenge. Existing methods typically necessitate supervised learning based on human-refined masks in the ventricular myocardium, which become impractical without contrast agents. We introduce a self-supervised framework, namely Codebook-based Temporal-Spatial Learning (CTSL), that learns dynamic, spatiotemporal representations from raw Cine data without requiring segmentation masks. CTSL decouples temporal and spatial features through a multi-view distillation strategy, where the teacher model processes multiple Cine views, and the student model learns from reduced-dimensional Cine-SA sequences. By leveraging codebook-based feature representations and dynamic lesion self-detection through motion cues, CTSL captures intricate temporal dependencies and motion patterns. High-confidence MACE risk predictions are achieved through our model, providing a rapid, non-invasive solution for cardiac risk assessment that outperforms traditional contrast-dependent methods, thereby enabling timely and accessible heart disease diagnosis in clinical settings.
• Abstract（参考訳）: Cine MRIシークエンスからの正確でコントラストのないMajor Adverse Cardiac Events (MACE)予測は依然として重要な課題である。 既存の方法では、コントラスト剤を使わずに非現実的になる心室心筋のヒト精製マスクに基づく教師付き学習が必要である。 我々は,コードブックベースの時間空間学習(CTSL)という自己教師型フレームワークを導入し,セグメンテーションマスクを必要とせずに生のCineデータから動的に時空間表現を学習する。 CTSLは、教師モデルが複数のCineビューを処理し、学生モデルは低次元Cine-SAシーケンスから学習するマルチビュー蒸留戦略を通じて、時間的特徴と空間的特徴を分離する。 Codebookベースの特徴表現とモーションキューによる動的病変自己検出を活用することで、CTSLは複雑な時間的依存関係と動きパターンをキャプチャする。 高信頼度MACEリスク予測は,従来のコントラスト法よりも高速かつ非侵襲的な心臓リスク評価ソリューションを提供することで,クリニカルセッティングにおけるタイムリーかつアクセシブルな心疾患診断を可能にする。

関連論文リスト

• Self-supervised Learning of Echocardiographic Video Representations via Online Cluster Distillation [21.738308923180767]
  心エコービデオ表現学習のための自己教師型デュアルブランチフレームワークであるdisCOVRについて述べる。 DISCOVRは、時間的ダイナミクスをモデル化するクラスタリングベースのビデオエンコーダと、きめ細かい空間意味論を抽出するオンライン画像エンコーダを組み合わせる。
  論文  参考訳（メタデータ） (2025-06-13T13:36:33Z)
• StPR: Spatiotemporal Preservation and Routing for Exemplar-Free Video Class-Incremental Learning [51.003833566279006]
  CIL(Class-Incremental Learning)は、以前取得した知識を使わずに、時間とともに新しいアクションカテゴリを継続的に学習するモデルの開発を目指している。 既存のアプローチでは、メモリとプライバシに関する懸念を忘れたり、あるいは時間的モデリングを無視する静的なイメージベースのメソッドを適用したりする。 本稿では,情報を明示的に切り離して保存する,統一的で非定型なVCILフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T06:46:51Z)
• Deep Learning Assisted Outer Volume Removal for Highly-Accelerated Real-Time Dynamic MRI [2.512491726995032]
  リアルタイム(RT)ダイナミックMRIは、迅速な生理的過程を捉える上で重要な役割を担っている。 RT cine MRIは高時間分解能心機能評価に重要である。 心外組織からのアーティファクトのエイリアス化により, RT cine MRI の高速化は困難である。
  論文  参考訳（メタデータ） (2025-05-01T16:31:52Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Synthesizing Late-Stage Contrast Enhancement in Breast MRI: A Comprehensive Pipeline Leveraging Temporal Contrast Enhancement Dynamics [0.3499870393443268]
  本研究では,後期DCE-MRI画像の初期段階データから合成するためのパイプラインを提案する。 提案手法では, コントラストエージェントの時間的挙動を利用して生成モデルの訓練を指導する, 新たな損失関数である時間強度損失(TI-loss)を導入する。 アノテーション付き領域における拡張パターンを検証するContrast Agent Pattern Score(mathcalCP_s$)と、実際の拡張と生成された拡張の違いを測定するAverage difference in Enhancement(mathcalED$)の2つの指標が画像品質を評価するために提案されている。
  論文  参考訳（メタデータ） (2024-09-03T04:31:49Z)
• Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning [45.5123007404575]
  胸腔鏡検査は, 皮下リブケージの音響的影が原因で, 依然として困難である。 本研究は, 内臓器病変のモニタリングを行うために, リブ間の走査経路を計画するための強化学習手法を提案する。 ランダムに定義された単一または複数の走査ターゲットを持つ未確認のCTに対して実験が実施されている。
  論文  参考訳（メタデータ） (2024-04-15T16:52:53Z)
• Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI [22.7085949508143]
  MRIは心臓診断において欠かせない役割を担っている。高速イメージングを可能にするため、k空間データをアンサンプすることができる。 この課題は、ディープラーニング再構築手法における広範なトレーニングデータを必要とする。 本研究では,高度に制限された学習データであっても,例外的に良好に動作可能な次元分離型学習手法を活用する,新規で効率的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-24T23:56:15Z)
• Learning Successor Features with Distributed Hebbian Temporal Memory [44.99833362998488]
  本稿では,不確実性のある意思決定におけるオンラインシーケンス学習の課題に対処するための新しいアプローチを提案する。 提案アルゴリズムは,因子グラフ形式と多成分ニューロンモデルに基づく分散ヘビアンテンポラルメモリ (DHTM) である。 実験の結果, DHTMは非定常データセット上でLSTM, RWKV, 生物学的にインスパイアされたHMMライクなアルゴリズムCSCGより優れていた。
  論文  参考訳（メタデータ） (2023-10-20T10:03:14Z)
• MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep Models for X-ray Images of Multiple Body Parts [63.30352394004674]
  MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。 MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。 肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
  論文  参考訳（メタデータ） (2023-10-03T12:19:19Z)
• Unsupervised sequence-to-sequence learning for automatic signal quality assessment in multi-channel electrical impedance-based hemodynamic monitoring [0.6875312133832077]
  本研究では,血行動態モニタリングにおける心臓容積信号(CVS)の運動誘発信頼性を自動的に評価する,教師なしシーケンス・ツー・シーケンス学習手法を提案する。 エンコーダ・デコーダモデルは、CVSの入力シーケンスを自己複製するだけでなく、並列的に未来を推定するために訓練される。 トレーニングセット上の親指の2シグマ規則から決定されるカットオフ値で入力シーケンスとその神経表現間の残差に基づいて、低品質の動作影響CVSを検出する。
  論文  参考訳（メタデータ） (2023-05-16T11:52:06Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。