論文の概要: CardioBench: Do Echocardiography Foundation Models Generalize Beyond the Lab?

• arxiv url: http://arxiv.org/abs/2510.00520v1
• Date: Wed, 01 Oct 2025 05:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.393789
• Title: CardioBench: Do Echocardiography Foundation Models Generalize Beyond the Lab?
• Title（参考訳）: CardioBench:Echocardiography Foundation Modelsはラボを超えて一般化するのか?
• Authors: Darya Taratynova, Ahmed Aly, Numan Saeed, Mohammad Yaqub,
• Abstract要約: ファンデーションモデル(FM)は医療画像の再構成を行っているが、そのエコー心エコー法への応用は限られている。 心エコー検査のための総合的ベンチマークであるCardioBenchを紹介する。 CardioBenchは8つの公開データセットを4つの回帰と5つの分類タスクにまたがる標準化されたスイートに統合する。
• 参考スコア（独自算出の注目度）: 4.445909648625997
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Foundation models (FMs) are reshaping medical imaging, yet their application in echocardiography remains limited. While several echocardiography-specific FMs have recently been introduced, no standardized benchmark exists to evaluate them. Echocardiography poses unique challenges, including noisy acquisitions, high frame redundancy, and limited public datasets. Most existing solutions evaluate on private data, restricting comparability. To address this, we introduce CardioBench, a comprehensive benchmark for echocardiography FMs. CardioBench unifies eight publicly available datasets into a standardized suite spanning four regression and five classification tasks, covering functional, structural, diagnostic, and view recognition endpoints. We evaluate several leading FM, including cardiac-specific, biomedical, and general-purpose encoders, under consistent zero-shot, probing, and alignment protocols. Our results highlight complementary strengths across model families: temporal modeling is critical for functional regression, retrieval provides robustness under distribution shift, and domain-specific text encoders capture physiologically meaningful axes. General-purpose encoders transfer strongly and often close the gap with probing, but struggle with fine-grained distinctions like view classification and subtle pathology recognition. By releasing preprocessing, splits, and public evaluation pipelines, CardioBench establishes a reproducible reference point and offers actionable insights to guide the design of future echocardiography foundation models.
• Abstract（参考訳）: ファンデーションモデル(FM)は医療画像の再構成を行っているが、そのエコー心エコー法への応用は限られている。 心エコー法に特有のFMが最近いくつか導入されているが、それを評価するための標準化されたベンチマークは存在しない。 エコー心電図は、ノイズの多い取得、高いフレーム冗長性、限られたパブリックデータセットなど、ユニークな課題を提起する。 既存のソリューションのほとんどはプライベートデータで評価され、互換性が制限されている。 これを解決するために、心エコー法FMの総合的なベンチマークであるCardioBenchを紹介する。 CardioBenchは8つの公開データセットを4つのレグレッションと5つの分類タスクにまたがる標準化スイートに統合し、機能、構造、診断、ビュー認識エンドポイントをカバーする。 我々は、一貫したゼロショット、プローブ、アライメントプロトコルの下で、心臓特異的、バイオメディカル、汎用エンコーダを含むいくつかの主要なFMを評価した。 時間的モデリングは機能的回帰に不可欠であり, 分布シフト下での検索はロバスト性を提供し, ドメイン固有テキストエンコーダは生理学的に有意な軸を捉えている。 汎用エンコーダは、探索とギャップを強く、しばしば閉じるが、ビュー分類や微妙な病理診断のような細かな区別に苦慮する。 CardioBenchは、前処理、分割、および公開評価パイプラインをリリースすることにより、再現可能な参照ポイントを確立し、将来の心エコー基礎モデルの設計をガイドするための実用的な洞察を提供する。

関連論文リスト

• CardiacCLIP: Video-based CLIP Adaptation for LVEF Prediction in a Few-shot Manner [14.429336783145644]
  左室放出分画(LVEF)は心臓機能の指標となる。 既存のLVEF推定手法は、大規模な注釈付きビデオデータセットに依存する。 我々は、注目ベースのフレームアグリゲーションとマルチレゾリューション・インプット・スケーリングによるLVEF予測を強化する、ビデオベースのフレームワークであるCardiacCLIPを提案する。
  論文  参考訳（メタデータ） (2025-09-21T12:52:08Z)
• EchoFM: Foundation Model for Generalizable Echocardiogram Analysis [22.585990526913246]
  心エコービデオの表現と解析に特化して設計された基礎モデルであるEchoFMを紹介する。 EchoFMでは,空間的および時間的変動の両方をキャプチャする自己教師型学習フレームワークを提案する。 我々は,290,000本以上の心エコービデオと最大2000万フレームの画像からなる広範囲なデータセット上で,我々のモデルを事前訓練した。
  論文  参考訳（メタデータ） (2024-10-30T19:32:02Z)
• 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)
• Certification of Deep Learning Models for Medical Image Segmentation [44.177565298565966]
  ランダムな平滑化と拡散モデルに基づく医用画像のための認定セグメンテーションベースラインを初めて提示する。 この結果から,拡散確率モデルをデノナイズするパワーを活用することで,ランダムな平滑化の限界を克服できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-05T16:40:33Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• 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)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• 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)

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。