論文の概要: Generative Regression for Left Ventricular Ejection Fraction Estimation from Echocardiography Video

• arxiv url: http://arxiv.org/abs/2602.08202v1
• Date: Mon, 09 Feb 2026 01:53:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.024572
• Title: Generative Regression for Left Ventricular Ejection Fraction Estimation from Echocardiography Video
• Title（参考訳）: 心エコー画像による左室エジェクション分画推定のための生成的回帰
• Authors: Jinrong Lv, Xun Gong, Zhaohuan Li, Weili Jiang,
• Abstract要約: 連続したノイズ、アーチファクト、限られた視角は曖昧さを導入し、単一のビデオシーケンスはユニークな基底真理にマッピングしない。 ディープラーニングアプローチは通常、平均二乗誤差(MSE)を最小化する標準回帰問題としてこのタスクを定式化する。 心エコービデオに基づくLVEFの連続的後部分布をモデル化するための確率的フレームワークであるMCSDR(Multimodal Score-based Conditional Diffusion Model for Regression)を提案する。
• 参考スコア（独自算出の注目度）: 6.336698673873456
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Estimating Left Ventricular Ejection Fraction (LVEF) from echocardiograms constitutes an ill-posed inverse problem. Inherent noise, artifacts, and limited viewing angles introduce ambiguity, where a single video sequence may map not to a unique ground truth, but rather to a distribution of plausible physiological values. Prevailing deep learning approaches typically formulate this task as a standard regression problem that minimizes the Mean Squared Error (MSE). However, this paradigm compels the model to learn the conditional expectation, which may yield misleading predictions when the underlying posterior distribution is multimodal or heavy-tailed -- a common phenomenon in pathological scenarios. In this paper, we investigate the paradigm shift from deterministic regression toward generative regression. We propose the Multimodal Conditional Score-based Diffusion model for Regression (MCSDR), a probabilistic framework designed to model the continuous posterior distribution of LVEF conditioned on echocardiogram videos and patient demographic attribute priors. Extensive experiments conducted on the EchoNet-Dynamic, EchoNet-Pediatric, and CAMUS datasets demonstrate that MCSDR achieves state-of-the-art performance. Notably, qualitative analysis reveals that the generation trajectories of our model exhibit distinct behaviors in cases characterized by high noise or significant physiological variability, thereby offering a novel layer of interpretability for AI-aided diagnosis.
• Abstract（参考訳）: 心エコー図による左室誘発率(LVEF)の推定は不適切な逆問題である。 連続したノイズ、アーチファクト、限られた視角は曖昧さを導入し、単一のビデオシーケンスは独特な基底真理ではなく、可算的な生理学的値の分布にマッピングすることができる。 一般的なディープラーニングアプローチは、平均二乗誤差(MSE)を最小限に抑える標準回帰問題として、このタスクを定式化する。 しかし、このパラダイムは条件予測を学習するモデルを補完し、基礎となる後部分布がマルチモーダルあるいはヘビーテールの場合に誤解を招く可能性がある。 本稿では,決定論的回帰から生成的回帰へのパラダイムシフトについて検討する。 心エコービデオと患者の人口属性に基づくLVEFの連続的後部分布をモデル化する確率的フレームワークであるMultimodal Conditional Score-based Diffusion Model for Regression (MCSDR)を提案する。 EchoNet-Dynamic、EchoNet-Pediatric、CAMUSデータセットで実施された大規模な実験は、MCSDRが最先端のパフォーマンスを達成することを示す。 特に定性的な分析により,高雑音や有意な生理的変動が特徴の症例では,モデル生成軌跡が異なる挙動を示すことが明らかとなり,AI支援診断のための新しい解釈可能性層が提供される。

関連論文リスト

• Conditional diffusion models for guided anomaly detection in brain images using fluid-driven anomaly randomization [4.570902159763305]
  脳MRIにおける異常検出と正常画像再構成のための新しい条件拡散モデルフレームワークを提案する。 我々の弱教師付きアプローチは、合成された擬似病理像をモデリングプロセスに統合し、健康な画像の再構築をより良く指導する。 我々は,ATLASデータセットから合成異常データセットと実病態の両方を用いて,本モデルの病理診断能力を評価する。
  論文  参考訳（メタデータ） (2025-06-11T23:27:00Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Unsupervised contrastive analysis for anomaly detection in brain MRIs via conditional diffusion models [13.970483987621135]
  本研究では、健康な画像に対して自己教師付きコントラストエンコーダを訓練することにより、再建品質を改善するための教師なしフレームワークを提案する。 これらの特徴は、拡散モデルを用いて、与えられた画像の健全な外観を再構成し、画素ワイド比較による解釈可能な異常な局所化を可能にする。
  論文  参考訳（メタデータ） (2024-06-02T15:19:07Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models [1.6352599467675781]
  脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。 拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2022-06-07T17:30:43Z)

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。