論文の概要: Interpretable and backpropagation-free Green Learning for efficient multi-task echocardiographic segmentation and classification

• arxiv url: http://arxiv.org/abs/2601.19743v2
• Date: Fri, 30 Jan 2026 02:57:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 14:22:45.216074
• Title: Interpretable and backpropagation-free Green Learning for efficient multi-task echocardiographic segmentation and classification
• Title（参考訳）: 効率的なマルチタスク心エコー区分けと分類のための解釈型・バックプロパゲーションフリーグリーンラーニング
• Authors: Jyun-Ping Kao, Jiaxin Yang, C. -C. Jay Kuo, Jonghye Woo,
• Abstract要約: グリーンラーニングフレームワークは、左室(LV)セグメンテーションとLVEFの同時分類を実行する。 EchoNet-Dynamicデータセットでは、MTGLモデルは最先端の分類とセグメンテーション性能を達成する。 この研究は、GLパラダイムが複雑な医用画像解析のための高精度、効率的、解釈可能なソリューションを提供できることを示した。
• 参考スコア（独自算出の注目度）: 23.395777551262494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Echocardiography is a cornerstone for managing heart failure (HF), with Left Ventricular Ejection Fraction (LVEF) being a critical metric for guiding therapy. However, manual LVEF assessment suffers from high inter-observer variability, while existing Deep Learning (DL) models are often computationally intensive and data-hungry "black boxes" that impede clinical trust and adoption. Here, we propose a backpropagation-free multi-task Green Learning (MTGL) framework that performs simultaneous Left Ventricle (LV) segmentation and LVEF classification. Our framework integrates an unsupervised VoxelHop encoder for hierarchical spatio-temporal feature extraction with a multi-level regression decoder and an XG-Boost classifier. On the EchoNet-Dynamic dataset, our MTGL model achieves state-of-the-art classification and segmentation performance, attaining a classification accuracy of 94.3% and a Dice Similarity Coefficient (DSC) of 0.912, significantly outperforming several advanced 3D DL models. Crucially, our model achieves this with over an order of magnitude fewer parameters, demonstrating exceptional computational efficiency. This work demonstrates that the GL paradigm can deliver highly accurate, efficient, and interpretable solutions for complex medical image analysis, paving the way for more sustainable and trustworthy artificial intelligence in clinical practice.
• Abstract（参考訳）: 心エコー法は心不全 (HF) 管理の基盤であり, 左心室エジェクション・フラクション (LVEF) は治療の指針となる重要な指標である。 しかし、手動のLVEF評価は、高いサーバ間変動に悩まされる一方、既存のDeep Learning(DL)モデルは、しばしば計算集約的で、臨床的信頼と採用を妨げる「ブラックボックス」である。 本稿では,LVセグメンテーションとLVEF分類を同時に行う,バックプロパゲーションフリーマルチタスクグリーンラーニング(MTGL)フレームワークを提案する。 階層的時空間特徴抽出のための教師なしVoxelHopエンコーダとマルチレベル回帰復号器とXG-Boost分類器を統合した。 MTGLモデルは,EchoNet-Dynamicデータセット上で,94.3%の分類精度と0.912のDice similarity Coefficient(DSC)を達成し,最先端の3D DLモデルよりも大幅に向上した。 重要なことに、我々のモデルは桁違いに少ないパラメータでこれを達成し、例外的な計算効率を示す。 この研究は、GLパラダイムが複雑な医用画像解析のための高度に正確で効率的で解釈可能なソリューションを提供し、臨床実践においてより持続的で信頼性の高い人工知能を実現することを実証している。

関連論文リスト

• Staged Voxel-Level Deep Reinforcement Learning for 3D Medical Image Segmentation with Noisy Annotations [4.581671524490035]
  本稿では,ノイズの多いアノテーションの下での堅牢な医用画像分割のためのエンドツーエンドのVoxel-Level Deep Reinforcement Learningフレームワークを提案する。 このフレームワークは動的反復的な更新戦略を使用して,手作業による介入を必要とせずに,誤ったラベルの影響を自動的に緩和する。
  論文  参考訳（メタデータ） (2026-01-07T12:39:54Z)
• Investigating Deep Learning Models for Ejection Fraction Estimation from Echocardiography Videos [2.86829428083307]
  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。
  論文  参考訳（メタデータ） (2025-12-27T17:11:17Z)
• AttnRegDeepLab: A Two-Stage Decoupled Framework for Interpretable Embryo Fragmentation Grading [0.0]
  胚の断片化は、In Vitro Fertilization (IVF)における発生能を評価する上で重要な形態指標である 既存のディープラーニングソリューションは、しばしば臨床説明性に欠けたり、セグメンテーション領域の推定における累積誤差に悩まされる。 本研究では,マルチタスク学習を特徴とするフレームワークであるAttnRegDeepLabを提案する。
  論文  参考訳（メタデータ） (2025-11-23T13:50:49Z)
• Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
  そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。 改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
  論文  参考訳（メタデータ） (2025-09-09T14:31:51Z)
• Flip Learning: Weakly Supervised Erase to Segment Nodules in Breast Ultrasound [40.97115667616978]
  正確なセグメンテーションのために2D/3Dボックスにのみ依存するFlip Learningと呼ばれる新しい学習ベースのWSSフレームワークを導入する。 ボックスからターゲットを消去して分類タグのフリップを容易にするために複数のエージェントが使用され、消去された領域が予測されたセグメンテーションマスクとして機能する。 提案手法は最先端のWSS手法や基礎モデルより優れており,完全教師付き学習アルゴリズムと同等の性能を発揮する。
  論文  参考訳（メタデータ） (2025-03-26T16:20:02Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。