論文の概要: Estimation of Segmental Longitudinal Strain in Transesophageal Echocardiography by Deep Learning

• arxiv url: http://arxiv.org/abs/2511.02210v1
• Date: Tue, 04 Nov 2025 03:02:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.788156
• Title: Estimation of Segmental Longitudinal Strain in Transesophageal Echocardiography by Deep Learning
• Title（参考訳）: 深達度学習による経食道心エコー法における経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的経時的
• Authors: Anders Austlid Taskén, Thierry Judge, Erik Andreas Rye Berg, Jinyang Yu, Bjørnar Grenne, Frank Lindseth, Svend Aakhus, Pierre-Marc Jodoin, Nicolas Duchateau, Olivier Bernard, Gabriel Kiss,
• Abstract要約: 本研究では,経食道心エコー法(TEE)における運動推定のための深層学習(DL)法を用いたSLS推定のための最初の自動パイプラインであるautoStrainを紹介した。 本稿では,高密度フレーム・フレーム間予測のためのRAFT光フローモデルに基づくTeeFlowと,スパース長周期予測のためのCoTracker点軌道モデルに基づくTeeTrackerの2つのDL手法の比較分析を行う。 評価の結果,TeeTrackerの精度はTeeFlowより優れており,SynTEEテストデータセット上での動作推定における平均距離誤差は0.65mmであることがわかった。
• 参考スコア（独自算出の注目度）: 4.266983119889826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmental longitudinal strain (SLS) of the left ventricle (LV) is an important prognostic indicator for evaluating regional LV dysfunction, in particular for diagnosing and managing myocardial ischemia. Current techniques for strain estimation require significant manual intervention and expertise, limiting their efficiency and making them too resource-intensive for monitoring purposes. This study introduces the first automated pipeline, autoStrain, for SLS estimation in transesophageal echocardiography (TEE) using deep learning (DL) methods for motion estimation. We present a comparative analysis of two DL approaches: TeeFlow, based on the RAFT optical flow model for dense frame-to-frame predictions, and TeeTracker, based on the CoTracker point trajectory model for sparse long-sequence predictions. As ground truth motion data from real echocardiographic sequences are hardly accessible, we took advantage of a unique simulation pipeline (SIMUS) to generate a highly realistic synthetic TEE (synTEE) dataset of 80 patients with ground truth myocardial motion to train and evaluate both models. Our evaluation shows that TeeTracker outperforms TeeFlow in accuracy, achieving a mean distance error in motion estimation of 0.65 mm on a synTEE test dataset. Clinical validation on 16 patients further demonstrated that SLS estimation with our autoStrain pipeline aligned with clinical references, achieving a mean difference (95\% limits of agreement) of 1.09% (-8.90% to 11.09%). Incorporation of simulated ischemia in the synTEE data improved the accuracy of the models in quantifying abnormal deformation. Our findings indicate that integrating AI-driven motion estimation with TEE can significantly enhance the precision and efficiency of cardiac function assessment in clinical settings.
• Abstract（参考訳）: 左室のSLSは、特に心筋虚血の診断・管理において、局所的なLV障害を評価する上で重要な予後指標である。 ひずみ推定の現在の技術は、重要な手作業の介入と専門知識を必要とし、その効率を制限し、監視目的にリソースを集中させる。 本研究では,経食道心エコー法(TEE)における運動推定のための深層学習(DL)法を用いたSLS推定のための最初の自動パイプラインであるautoStrainを紹介した。 本稿では,高密度フレーム・フレーム間予測のためのRAFT光フローモデルに基づくTeeFlowと,スパース長周期予測のためのCoTracker点軌道モデルに基づくTeeTrackerの2つのDL手法の比較分析を行う。 心エコー図による心電図データはほとんどアクセスできないため,我々は独自のシミュレーションパイプライン(SIMUS)を利用して,心電図を用いた80例の人工心電図データセットを作成し,両モデルの訓練と評価を行った。 評価の結果,TeeTrackerの精度はTeeFlowより優れており,SynTEEテストデータセット上での動作推定における平均距離誤差は0.65mmであることがわかった。 16例の臨床検証では, 自走式パイプラインによるSLS推定が臨床基準と一致し, 1.09%(8.90%から11.09%)の平均差(95%の一致限界)が得られた。 模擬虚血をSynTEEデータに組み込むことで, 異常変形の定量化におけるモデルの精度が向上した。 以上の結果より, 心機能評価の精度と効率は, TEEとAIによる動作推定を併用することにより有意に向上することが示唆された。

関連論文リスト

• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Explainable Parallel CNN-LSTM Model for Differentiating Ventricular Tachycardia from Supraventricular Tachycardia with Aberrancy in 12-Lead ECGs [4.263117296632119]
  本稿では,診断精度を向上させるための計算効率のよいディープラーニングソリューションを提案し,臨床展開のためのモデル解釈性を提供する。 各パイプラインは2つの1D-CNNブロックを使用して各ECGリードを処理し、局所的な特徴を抽出する。 このモデルは、95%$ CI:93.07-98.19%$、感度=95.10%$、特異性=96.06%$、F1-score=95.12%$を達成した。
  論文  参考訳（メタデータ） (2025-07-14T12:12:34Z)
• Modality-agnostic, patient-specific digital twins modeling temporally varying digestive motion [8.884066499888718]
  変形性画像登録(DIR)の臨床的実装には、ボクセルによる空間精度測定が必要である。 DIR法の精度を評価するため,患者固有のディジタルツイン(DT)モデルを構築した。
  論文  参考訳（メタデータ） (2025-07-02T17:22:47Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Deep vectorised operators for pulsatile hemodynamics estimation in coronary arteries from a steady-state prior [1.8631187219907217]
  本稿では,拍動血行動態推定のための機械学習を用いた時間効率な代理モデルを提案する。 本モデルにより, 脈動速度と圧力の正確な推定値が得られた。 このことは、深部ベクトル化演算子が心臓血管血行動態推定のための強力なモデリングツールであることを示している。
  論文  参考訳（メタデータ） (2024-10-15T12:24:50Z)
• 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)
• A Deep Learning Model for Coronary Artery Segmentation and Quantitative Stenosis Detection in Angiographic Images [2.6879908098704544]
  血管造影画像における冠状動脈の自動分画のための新しい深層学習法を提案する。 このモデルは、MedSAMとVM-UNetアーキテクチャを組み合わせて高性能な結果を得る。 狭窄検出アルゴリズムは真正率(TPR)が0.5867、正の予測値(PPV)が0.5911に達した。
  論文  参考訳（メタデータ） (2024-06-01T16:45:33Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)

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。