論文の概要: Anatomically Constrained Transformers for Echocardiogram Analysis

• arxiv url: http://arxiv.org/abs/2511.01109v1
• Date: Sun, 02 Nov 2025 22:52:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.06917
• Title: Anatomically Constrained Transformers for Echocardiogram Analysis
• Title（参考訳）: 超音波心電図解析のための解剖学的拘束型変圧器
• Authors: Alexander Thorley, Agis Chartsias, Jordan Strom, Jeremy Slivnick, Dipak Kotecha, Alberto Gomez, Jinming Duan,
• Abstract要約: ViACTは変形解剖学的構造を点集合として表現し、その空間幾何学と対応する画像パッチの両方をトランスフォーマートークンにエンコードする。 事前トレーニング中、ViACTは、解剖学的パッチのみをマスクし再構成するマスク付き自動エンコーディング戦略に従っている。 ViACTは、タスク固有のコンポーネントを必要とせずに、心筋ポイントトラッキングに一般化する。
• 参考スコア（独自算出の注目度）: 38.280536446335056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video transformers have recently demonstrated strong potential for echocardiogram (echo) analysis, leveraging self-supervised pre-training and flexible adaptation across diverse tasks. However, like other models operating on videos, they are prone to learning spurious correlations from non-diagnostic regions such as image backgrounds. To overcome this limitation, we propose the Video Anatomically Constrained Transformer (ViACT), a novel framework that integrates anatomical priors directly into the transformer architecture. ViACT represents a deforming anatomical structure as a point set and encodes both its spatial geometry and corresponding image patches into transformer tokens. During pre-training, ViACT follows a masked autoencoding strategy that masks and reconstructs only anatomical patches, enforcing that representation learning is focused on the anatomical region. The pre-trained model can then be fine-tuned for tasks localized to this region. In this work we focus on the myocardium, demonstrating the framework on echo analysis tasks such as left ventricular ejection fraction (EF) regression and cardiac amyloidosis (CA) detection. The anatomical constraint focuses transformer attention within the myocardium, yielding interpretable attention maps aligned with regions of known CA pathology. Moreover, ViACT generalizes to myocardium point tracking without requiring task-specific components such as correlation volumes used in specialized tracking networks.
• Abstract（参考訳）: ビデオトランスフォーマーは、心エコー(echo)解析の強力な可能性を示し、様々なタスクにまたがる自己教師付き事前トレーニングと柔軟な適応を活用している。 しかし、ビデオで動く他のモデルと同様に、画像背景のような非診断領域から急激な相関を学習する傾向にある。 この制限を克服するために,ビデオ解剖学的制約付きトランスフォーマー (ViACT) を提案する。 ViACTは変形解剖学的構造を点集合として表現し、その空間幾何学と対応する画像パッチの両方をトランスフォーマートークンにエンコードする。 事前トレーニング中、ViACTは、解剖学的パッチのみをマスクし、再構成するマスク付き自己コード戦略に従い、表現学習は解剖学的領域に焦点を当てていることを強制する。 事前訓練されたモデルは、この領域にローカライズされたタスクのために微調整することができる。 本研究は心筋に焦点をあて,左室放出率(EF)回帰や心アミロイドーシス(CA)検出などのエコー解析の枠組みを実証する。 解剖学的制約は、心筋内のトランスフォーマーの注意を集中させ、既知のCA病理の領域に一致した解釈可能な注意マップを生成する。 さらに、ViACTは、特殊なトラッキングネットワークで使用される相関ボリュームなどのタスク固有のコンポーネントを必要とせずに、心筋ポイントトラッキングに一般化する。

関連論文リスト

• Anatomically Constrained Transformers for Cardiac Amyloidosis Classification [34.67313275621695]
  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。
  論文  参考訳（メタデータ） (2025-09-24T02:00:34Z)
• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• 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)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Crop and Couple: cardiac image segmentation using interlinked specialist networks [0.5452923068355806]
  本稿では,単一解剖学に焦点を当てた専門的ネットワークを用いてセグメンテーションを行う新しい戦略を提案する。 入力長軸心MR画像から、第1段階で第3次分割を行い、これらの解剖学的領域を同定する。 専門家ネットワークは、異なる解剖学の特徴を相互に関連付けるための注意機構を介して結合される。
  論文  参考訳（メタデータ） (2024-02-14T13:14:04Z)
• A Multi-Scale Spatial Transformer U-Net for Simultaneously Automatic Reorientation and Segmentation of 3D Nuclear Cardiac Images [6.347837887930855]
  小型のLV心筋(LV-MY)領域の検出と各患者の心構造の変化は,LVセグメンテーションに対する課題を提起する。 マルチスケール空間変換器ネットワーク(MSSTN)とマルチスケールUNet(MSUNet)モジュールを含むマルチスケール空間変換器UNet(MS-ST-UNet)と呼ばれるエンドツーエンドモデルを提案する。 提案法は,13N-アンモニアPETと99mTc-sestamibi SPECTの2つの異なる核心画像モダリティを用いて,訓練および試験を行った。
  論文  参考訳（メタデータ） (2023-10-16T05:56:53Z)
• Shape of my heart: Cardiac models through learned signed distance functions [33.29148402516714]
  本研究では、リプシッツ正則性を持つ3次元深部符号距離関数を用いて心臓の形状を再構成する。 この目的のために、心臓MRIの形状を学習し、複数の室の空間的関係をモデル化する。 また,本手法は1つの心室からの点雲などの部分的データから解剖モデルを再構築することも可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-31T09:02:53Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)

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。