論文の概要: Investigating Deep Learning Models for Ejection Fraction Estimation from Echocardiography Videos

• arxiv url: http://arxiv.org/abs/2512.22657v1
• Date: Sat, 27 Dec 2025 17:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.16284
• Title: Investigating Deep Learning Models for Ejection Fraction Estimation from Echocardiography Videos
• Title（参考訳）: 心エコー画像からの吐出フラクション推定のための深層学習モデルの検討
• Authors: Shravan Saranyan, Pramit Saha,
• Abstract要約: 左室放出分画(LVEF)は心機能の指標である。 ディープラーニングアプローチは、経験豊富な人間の専門家に匹敵するパフォーマンスを達成する可能性を提供します。
• 参考スコア（独自算出の注目度）: 2.86829428083307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Left ventricular ejection fraction (LVEF) is a key indicator of cardiac function and plays a central role in the diagnosis and management of cardiovascular disease. Echocardiography, as a readily accessible and non-invasive imaging modality, is widely used in clinical practice to estimate LVEF. However, manual assessment of cardiac function from echocardiograms is time-consuming and subject to considerable inter-observer variability. Deep learning approaches offer a promising alternative, with the potential to achieve performance comparable to that of experienced human experts. In this study, we investigate the effectiveness of several deep learning architectures for LVEF estimation from echocardiography videos, including 3D Inception, two-stream, and CNN-RNN models. We systematically evaluate architectural modifications and fusion strategies to identify configurations that maximize prediction accuracy. Models were trained and evaluated on the EchoNet-Dynamic dataset, comprising 10,030 echocardiogram videos. Our results demonstrate that modified 3D Inception architectures achieve the best overall performance, with a root mean squared error (RMSE) of 6.79%. Across architectures, we observe a tendency toward overfitting, with smaller and simpler models generally exhibiting improved generalization. Model performance was also found to be highly sensitive to hyperparameter choices, particularly convolutional kernel sizes and normalization strategies. While this study focuses on echocardiography-based LVEF estimation, the insights gained regarding architectural design and training strategies may be applicable to a broader range of medical and non-medical video analysis tasks.
• Abstract（参考訳）: 左室放出分画(LVEF)は心機能の重要な指標であり、心血管疾患の診断と管理において中心的な役割を果たす。 心エコー図は、簡単にアクセス可能で非侵襲的な画像モダリティであり、臨床でLVEFを推定するために広く用いられている。 しかし,心エコー図による心機能の手動評価には時間がかかり,サーバ間変動がかなり大きい。 ディープラーニングアプローチは有望な代替手段であり、経験豊富な人間の専門家に匹敵するパフォーマンスを達成する可能性を秘めている。 本研究では,3Dインセプション,2ストリームモデル,CNN-RNNモデルなど,心エコー画像からのLVEF推定のためのディープラーニングアーキテクチャの有効性について検討した。 我々は、予測精度を最大化する構成を特定するために、アーキテクチャ修正と融合戦略を体系的に評価する。 モデルは10,030本のエコー心エコービデオを含むEchoNet-Dynamicデータセットでトレーニングされ評価された。 以上の結果から, 3次元インセプションアーキテクチャは, ルート平均二乗誤差(RMSE)が6.79%で, 全体的な性能が最良であることが示唆された。 アーキテクチャ全体では、オーバーフィッティング(overfitting)の傾向が観察され、より小型でより単純なモデルでは一般化が向上する。 また、モデル性能はハイパーパラメータの選択、特に畳み込みカーネルサイズと正規化戦略に非常に敏感であることが判明した。 本研究は心エコー図に基づくLVEF推定に焦点をあてるが、建築設計とトレーニング戦略に関する知見は、幅広い医学的・非医学的ビデオ分析タスクに適用できる可能性がある。

関連論文リスト

• Left Atrial Segmentation with nnU-Net Using MRI [0.0]
  近年, 深層学習法は, 医用画像のセグメンテーションタスクにおいて, 優れた性能を示した。 本研究では,自己構成型ディープラーニングセグメンテーションアーキテクチャであるnnU-Netフレームワークを左心房チャレンジ2013データセットに適用した。 このネットワークは左心房形態、肺コントラスト、画像品質の変動にまたがって堅牢な一般化を示し、心房体と近位静脈の両方を正確に描写した。
  論文  参考訳（メタデータ） (2025-11-06T05:23:45Z)
• 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)
• Sensing Cardiac Health Across Scenarios and Devices: A Multi-Modal Foundation Model Pretrained on Heterogeneous Data from 1.7 Million Individuals [36.08910150609342]
  広大で異質な健康記録から統一された表現を学習する心センシング基礎モデル(CSFM)を提案する。 我々のモデルは、複数の大規模データセットからのデータの革新的なマルチモーダル統合に基づいて事前訓練されている。 CSFMは従来のワンモーダル・ワン・タスク・アプローチより一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-23T20:58:12Z)
• Patient-Specific Dynamic Digital-Physical Twin for Coronary Intervention Training: An Integrated Mixed Reality Approach [33.92599418560439]
  既存のトレーニングシステムは、心臓生理学の正確なシミュレーションを欠いている。 本研究は4D-CTAに基づく総合的動的心モデル研究フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-05-16T06:13:55Z)
• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
  短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。 新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。 DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
  論文  参考訳（メタデータ） (2024-07-25T13:27:10Z)
• A Generalizable Deep Learning System for Cardiac MRI [29.429744474335347]
  本稿では,ヒト心血管疾患と健康の広さを表現できる心臓MRIの基礎的ビジョンシステムについて述べる。 深層学習モデルは自己指導型コントラスト学習によって訓練され, 関連する放射線学報告の生テキストからシネケンス心磁図の視覚的概念を学習する。 本研究の深層学習システムは,人間の心血管疾患の停滞する複雑さを理解できるだけでなく,典型的にはこれらの課題に必要とされるトレーニングデータのごく一部を応用した,目覚しい臨床段階の診断精度をもたらす臨床上の問題に向けることができることを示す。
  論文  参考訳（メタデータ） (2023-12-01T05:27:29Z)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• HeartBEiT: Vision Transformer for Electrocardiogram Data Improves Diagnostic Performance at Low Sample Sizes [28.88454028731653]
  心電図波形解析のための第1の視覚ベーストランスモデルHeartBEiTを開発した。 その結果,HeartBEiTは,他のモデルに比べて試料サイズが小さく,高い性能を示した。 また、HeartBEiTは、EKGと標準CNNの生物学的関連領域を強調することにより、診断の説明可能性を向上させることを示した。
  論文  参考訳（メタデータ） (2022-12-13T16:39:21Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。