論文の概要: ControlEchoSynth: Boosting Ejection Fraction Estimation Models via Controlled Video Diffusion

• arxiv url: http://arxiv.org/abs/2508.17631v1
• Date: Mon, 25 Aug 2025 03:27:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.617017
• Title: ControlEchoSynth: Boosting Ejection Fraction Estimation Models via Controlled Video Diffusion
• Title（参考訳）: ControlEchoSynth:制御ビデオ拡散による吐出率推定モデルの構築
• Authors: Nima Kondori, Hanwen Liang, Hooman Vaseli, Bingyu Xie, Christina Luong, Purang Abolmaesumi, Teresa Tsang, Renjie Liao,
• Abstract要約: エコービューを合成して臨床診断精度を高めるための新しい手法を提案する。 これらの視点は、既存の心のリアルな視点に基づいており、射出率(EF)の推定に特に焦点を当てている。 予備的な結果は、我々の合成エコーが、既存のデータセットを増強するために使用される場合、EF推定を向上するだけでなく、より堅牢で正確で臨床的に関連する機械学習モデルの開発を進める可能性も示している。
• 参考スコア（独自算出の注目度）: 12.459487400882068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic data generation represents a significant advancement in boosting the performance of machine learning (ML) models, particularly in fields where data acquisition is challenging, such as echocardiography. The acquisition and labeling of echocardiograms (echo) for heart assessment, crucial in point-of-care ultrasound (POCUS) settings, often encounter limitations due to the restricted number of echo views available, typically captured by operators with varying levels of experience. This study proposes a novel approach for enhancing clinical diagnosis accuracy by synthetically generating echo views. These views are conditioned on existing, real views of the heart, focusing specifically on the estimation of ejection fraction (EF), a critical parameter traditionally measured from biplane apical views. By integrating a conditional generative model, we demonstrate an improvement in EF estimation accuracy, providing a comparative analysis with traditional methods. Preliminary results indicate that our synthetic echoes, when used to augment existing datasets, not only enhance EF estimation but also show potential in advancing the development of more robust, accurate, and clinically relevant ML models. This approach is anticipated to catalyze further research in synthetic data applications, paving the way for innovative solutions in medical imaging diagnostics.
• Abstract（参考訳）: 合成データ生成は、特にエコー心電図のようなデータ取得が困難な分野において、機械学習(ML)モデルの性能向上に大きく貢献する。 心エコー図(echo)の心臓評価のための取得とラベル付けは、ポイント・オブ・ケア・超音波(POCUS)の設定において重要であり、通常、様々なレベルの経験を持つオペレーターによって取得される、利用可能なエコービューの制限により、しばしば制限に直面する。 本研究では, エコービューを合成的に生成し, 臨床診断精度を高めるための新しい手法を提案する。 これらの視点は、既存の心のリアルな視点に基づいており、伝統的にバイプレーン・アピカル・ビューから測定された重要なパラメータである射出率(EF)の推定に焦点を当てている。 条件付き生成モデルを統合することで、EF推定精度の向上を示し、従来の手法との比較分析を提供する。 予備的な結果は、我々の合成エコーが、既存のデータセットを増強するために使用される場合、EF推定を向上するだけでなく、より堅牢で正確で臨床的に関連するMLモデルの開発を進める可能性も示している。 このアプローチは、合成データアプリケーションにおけるさらなる研究を触媒し、医療画像診断における革新的な解決策の道を開くことが期待されている。

関連論文リスト

• Diffusing the Blind Spot: Uterine MRI Synthesis with Diffusion Models [7.262119921589195]
  子宮MRI合成のための新しい拡散型フレームワークを提案する。 本手法は, 解剖学的に整合した高忠実な合成画像を生成し, 実際のスキャンを忠実に再現する。 ブラインドド・エキスパートによる評価は,我々の合成画像の臨床的現実性を評価する。
  論文  参考訳（メタデータ） (2025-08-11T12:18:23Z)
• Perceptual Evaluation of GANs and Diffusion Models for Generating X-rays [0.7578439720012189]
  生成画像モデルは、自然画像と医療画像の両方において顕著な進歩を遂げている。 4つの異常を条件に胸部X線を合成するための最先端生成モデル-GAN(Generative Adversarial Networks)と拡散モデル(Diffusion Models)の有効性を評価する。
  論文  参考訳（メタデータ） (2025-08-10T00:32:18Z)
• Clinically-guided Data Synthesis for Laryngeal Lesion Detection [2.573786844054239]
  そこで本研究では,Lyngeal endoscopic image-annotation pairを生成するために,Latent Diffusion Model(LDM)とControlNetアダプタを併用した新しいアプローチを提案する。 提案手法はCADx/eモデルのトレーニングデータセットの拡張に有効であり,喉頭科学における評価プロセスの強化に有効である。
  論文  参考訳（メタデータ） (2025-08-08T09:55:54Z)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Improving Out-of-Distribution Detection in Echocardiographic View Classication through Enhancing Semantic Features [1.9892308483583199]
  心エコー画像における意味的特徴表現を強化するために,ラベルスムーシングを用いた新しい手法を提案する。 ラベルの平滑化とMDベースのOOD検出を組み合わせることで,心エコーによるOOD検出の精度向上のための新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2023-08-31T06:44:42Z)

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。