論文の概要: ECGFlowCMR: Pretraining with ECG-Generated Cine CMR Improves Cardiac Disease Classification and Phenotype Prediction
- arxiv url: http://arxiv.org/abs/2601.20904v1
- Date: Wed, 28 Jan 2026 12:13:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.365997
- Title: ECGFlowCMR: Pretraining with ECG-Generated Cine CMR Improves Cardiac Disease Classification and Phenotype Prediction
- Title（参考訳）: ECGFlowCMR:心疾患分類とフェノタイプ予測を改善した心電図同期CMR
- Authors: Xiaocheng Fang, Zhengyao Ding, Jieyi Cai, Yujie Xiao, Bo Liu, Jiarui Jin, Haoyu Wang, Guangkun Nie, Shun Huang, Ting Chen, Hongyan Li, Shenda Hong,
- Abstract要約: ECGFlowCMRは、相認識型マスドオートエンコーダ(PA-MAE)と解剖-運動不整流(AMDF)を統合した新しいECG-to-CMR生成フレームワークである。
我々は,ECGFlowCMRが心電図入力から現実的なシネCMR配列を生成できることを示す。
- 参考スコア（独自算出の注目度）: 23.66531382713075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiac Magnetic Resonance (CMR) imaging provides a comprehensive assessment of cardiac structure and function but remains constrained by high acquisition costs and reliance on expert annotations, limiting the availability of large-scale labeled datasets. In contrast, electrocardiograms (ECGs) are inexpensive, widely accessible, and offer a promising modality for conditioning the generative synthesis of cine CMR. To this end, we propose ECGFlowCMR, a novel ECG-to-CMR generative framework that integrates a Phase-Aware Masked Autoencoder (PA-MAE) and an Anatomy-Motion Disentangled Flow (AMDF) to address two fundamental challenges: (1) the cross-modal temporal mismatch between multi-beat ECG recordings and single-cycle CMR sequences, and (2) the anatomical observability gap due to the limited structural information inherent in ECGs. Extensive experiments on the UK Biobank and a proprietary clinical dataset demonstrate that ECGFlowCMR can generate realistic cine CMR sequences from ECG inputs, enabling scalable pretraining and improving performance on downstream cardiac disease classification and phenotype prediction tasks.
- Abstract（参考訳）: 心臓磁気共鳴(CMR)イメージングは、心臓の構造と機能に関する包括的な評価を提供するが、高い取得コストと専門家のアノテーションに依存し、大規模ラベル付きデータセットの可用性を制限している。
対照的に、心電図(ECG)は安価で、広くアクセス可能であり、シネCMRの生成合成を条件付けるための有望なモダリティを提供する。
そこで本研究では, マルチビート心電図記録と単一サイクルCMRシークエンス間の相互時間的ミスマッチ, 2)ECGに固有の構造情報の限定による解剖学的可観測ギャップ, という2つの根本的な課題に対処するため, 相認識型メイクオートエンコーダ(PA-MAE)と解剖的不整流(AMDF)を統合した新しいECG-to-CMR生成フレームワークであるECGFlowCMRを提案する。
UK Biobankと独自の臨床データセットの大規模な実験により、ECGFlowCMRはECG入力からリアルなシネCMRシーケンスを生成できることが実証された。
関連論文リスト
- Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。
CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。
CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
論文 参考訳（メタデータ） (2025-12-25T12:47:50Z) - Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。
SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。
実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
論文 参考訳（メタデータ） (2025-11-13T02:57:10Z) - EchoingECG: An Electrocardiogram Cross-Modal Model for Echocardiogram Tasks [23.243697999272825]
本稿では,不確実性を考慮した心電図埋め込みと心電図監視を利用して心電図に基づく心機能予測を改善する,確率的学生・教師モデルであるEchoingECGを紹介する。
提案手法では,確率的コントラストフレームワークであるPCME++とECHO-CLIPを併用し,ECHOの知識をECG表現に抽出する。
論文 参考訳（メタデータ） (2025-09-30T05:03:33Z) - LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。
CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文 参考訳（メタデータ） (2025-08-23T07:21:23Z) - Improving Myocardial Infarction Detection via Synthetic ECG Pretraining [0.0]
心筋梗塞は世界中で大きな死因であり,心電図(ECG)からの正確な早期診断が臨床上の優先事項である。
ディープラーニングモデルはECGの自動解釈を約束しているが、大量のラベル付きデータを必要とする。
本研究では,12個の心電図を調整可能なMI形態と現実的な雑音で合成する生理的認識パイプラインを提案する。
論文 参考訳（メタデータ） (2025-06-29T14:29:55Z) - Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。
英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。
心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
論文 参考訳（メタデータ） (2025-06-24T17:19:39Z) - Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。
Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。
Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
論文 参考訳（メタデータ） (2025-06-06T07:56:41Z) - GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。
GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。
基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
論文 参考訳（メタデータ） (2025-03-08T05:48:53Z) - Translating Electrocardiograms to Cardiac Magnetic Resonance Imaging Useful for Cardiac Assessment and Disease Screening: A Multi-Center Study AI for ECG to CMR Translation Study [30.84196213860778]
心臓血管疾患(CVD)は世界的な死亡の原因であり、アクセス可能で正確な診断ツールを必要とする。
12個の心電図信号をCMRレベルの機能パラメータと合成画像に変換するディープラーニングフレームワークであるCardioNetsを提案する。
読者の研究では、ECGのみのCardioNetsは、ECGと実際のCMRの両方を用いて、人間の医師よりも13.9%高い精度を達成した。
論文 参考訳（メタデータ） (2024-11-19T09:09:14Z) - AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
心電図(ECG)は急性心臓発作の検出に非常に敏感である。
本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
論文 参考訳（メタデータ） (2024-11-17T17:32:58Z)
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。