Fugu-MT 論文翻訳(概要): Anatomically Constrained Transformers for Cardiac Amyloidosis Classification

論文の概要: Anatomically Constrained Transformers for Cardiac Amyloidosis Classification

arxiv url: http://arxiv.org/abs/2509.19691v1
Date: Wed, 24 Sep 2025 02:00:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-25 20:53:19.66077
Title: Anatomically Constrained Transformers for Cardiac Amyloidosis Classification
Title（参考訳）: 心臓アミロイドーシス分類のための解剖学的拘束型トランスフォーマー
Authors: Alexander Thorley, Agis Chartsias, Jordan Strom, Roberto Lang, Jeremy Slivnick, Jamie O'Driscoll, Rajan Sharma, Dipak Kotecha, Jinming Duan, Alberto Gomez,
Abstract要約: 心アミロイドーシス (CA) は稀な心筋症であり, 心エコー図による臨床像の異常が特徴である。 CAを検出する別のアプローチは、畳み込みニューラルネットワークのようなビデオ分類モデルを使用して、ニューラルネットワークを経由する。我々の解剖学的制約は、一般的な自己教師型学習マスク付きオートエンコーダの事前学習にも適用可能であることを示す。
参考スコア（独自算出の注目度）: 34.67313275621695
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Cardiac amyloidosis (CA) is a rare cardiomyopathy, with typical abnormalities in clinical measurements from echocardiograms such as reduced global longitudinal strain of the myocardium. An alternative approach for detecting CA is via neural networks, using video classification models such as convolutional neural networks. These models process entire video clips, but provide no assurance that classification is based on clinically relevant features known to be associated with CA. An alternative paradigm for disease classification is to apply models to quantitative features such as strain, ensuring that the classification relates to clinically relevant features. Drawing inspiration from this approach, we explicitly constrain a transformer model to the anatomical region where many known CA abnormalities occur -- the myocardium, which we embed as a set of deforming points and corresponding sampled image patches into input tokens. We show that our anatomical constraint can also be applied to the popular self-supervised learning masked autoencoder pre-training, where we propose to mask and reconstruct only anatomical patches. We show that by constraining both the transformer and pre-training task to the myocardium where CA imaging features are localized, we achieve increased performance on a CA classification task compared to full video transformers. Our model provides an explicit guarantee that the classification is focused on only anatomical regions of the echo, and enables us to visualize transformer attention scores over the deforming myocardium.
Abstract（参考訳）: 心アミロイドーシス (CA) は稀な心筋症であり, 心エコー図による心筋の経時的変化の減少などの臨床像に特徴的な異常がある。 CAを検出する別のアプローチは、畳み込みニューラルネットワークのようなビデオ分類モデルを使用して、ニューラルネットワークを経由する。これらのモデルはビデオクリップ全体を処理しますが、分類がCAに関連することが知られている臨床的に関連性のある特徴に基づいていることを保証しません。疾患分類の別のパラダイムは、その分類が臨床的に関連のある特徴に関係していることを保証するために、ひずみなどの定量的特徴にモデルを適用することである。このアプローチからインスピレーションを得て、変圧器モデルを多くの既知のCA異常が発生している解剖学的領域(心筋)に明示的に拘束します。我々の解剖学的制約は、一般的な自己教師型学習マスク付きオートエンコーダの事前訓練にも適用可能であることを示し、そこでは、解剖学的パッチのみをマスクし再構成することを提案する。本研究では,CA画像の特徴が局所化されている心筋にトランスフォーマーとプレトレーニングタスクの両方を限定することにより,フルビデオトランスに比べてCA分類タスクの性能が向上することを示す。我々のモデルは、エコーの解剖学的領域のみに焦点が当てられていることを明確に保証し、変形性心筋に対するトランスフォーマーの注意スコアを可視化することができる。

関連論文リスト

Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
論文参考訳（メタデータ） (2025-07-22T13:24:45Z)
Cardiovascular disease classification using radiomics and geometric features from cardiac CT [14.254217534681997]
CVD分類パイプラインを, (i) 画像分割, (ii) 画像登録, (iii) 下流CVD分類の3つのコンポーネントに分割した。具体的には、Atlas-ISTNフレームワークと最近のセグメンテーション基礎モデルを用いて、解剖学的構造セグメンテーションと規範的健全なアトラスを生成する。 ASOCAデータセットを用いた実験により,これらの特徴を生CT画像を直接トレーニングした分類モデル(67.50%)と比較すると,CVD分類精度(87.50%)が向上することが示された。
論文参考訳（メタデータ） (2025-06-27T13:43:05Z)
CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation [3.052913696182197]
CLAIM: textbfClinically-Guided textbfLGE textbfAugmentation for Realtextbfiiyocardial Scar Synthesis and framework。 SMILEモジュールは、臨床で採用されているAHA 17セグメントモデルで拡散ベースのジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷跡パターンで画像を合成する。実験結果から, CLAIMは解剖学的に整合性のある傷跡パターンを生成し, ベースラインモデルと比較してDiceと実際の傷跡分布との類似性が高いことがわかった。
論文参考訳（メタデータ） (2025-06-18T15:21:34Z)
Cardiac MRI Semantic Segmentation for Ventricles and Myocardium using Deep Learning [0.0]
非侵襲的心臓診断は、心疾患の早期発見において重要な役割を担っている。心臓画像のセマンティックセグメンテーションを改善するためのモデルを提案する。
論文参考訳（メタデータ） (2025-04-18T00:54:30Z)
Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文参考訳（メタデータ） (2023-08-09T02:04:05Z)
AC-Norm: Effective Tuning for Medical Image Analysis via Affine Collaborative Normalization [11.224435413938375]
Affine Collaborative Normalization (AC-Norm) が提案されている。 AC-Normは、クロスドメインチャネルワイズ相関に基づいてターゲットモデルのチャネルを動的に再分類する。我々は,AC-Normがバニラファインタニングを最大4%改善したことを実証した。
論文参考訳（メタデータ） (2023-07-28T03:27:25Z)
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)
Reciprocal Landmark Detection and Tracking with Extremely Few Annotations [10.115679843920958]
本稿では,心エコーラベルのスパース特性を扱うために,新しいエンドツーエンドの相互検出・追跡モデルを提案する。このモデルは、心臓のシネシーケンス全体にわたって注釈付きフレームをほとんど使わずにトレーニングされ、ランドマークの一貫した検出と追跡が生成される。
論文参考訳（メタデータ） (2021-01-27T06:59:41Z)
Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification [0.6117371161379209]
我々は、深い残留ニューラルネットワーク(ResNet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。このアプローチでは、挑戦検証スコアが0.640、完全テストスコアが0.485となり、公式ランキングで41中4位になった。
論文参考訳（メタデータ） (2020-10-15T10:13:31Z)
Bilateral Asymmetry Guided Counterfactual Generating Network for Mammogram Classification [48.4619620405991]
画像レベルのラベルのみによるマンモグラムの良性や悪性の分類は,病変アノテーションが欠如しているため困難である。画像に病変がなければ, 特徴がどのように振る舞うかという, 反現実的な問題を探ることができる。我々は、対称的先行性に基づく反事実生成のための新しい理論的結果を得る。
論文参考訳（メタデータ） (2020-09-30T03:15:30Z)

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。