論文の概要: Dual-Phase Cross-Modal Contrastive Learning for CMR-Guided ECG Representations for Cardiovascular Disease Assessment
- arxiv url: http://arxiv.org/abs/2602.12883v1
- Date: Fri, 13 Feb 2026 12:34:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-16 23:37:53.950297
- Title: Dual-Phase Cross-Modal Contrastive Learning for CMR-Guided ECG Representations for Cardiovascular Disease Assessment
- Title（参考訳）: 心血管疾患評価のためのCMR誘導心電図表現のための2相クロスモーダルコントラスト学習
- Authors: Laura Alvarez-Florez, Angel Bujalance-Gomez, Femke Raijmakers, Samuel Ruiperez-Campillo, Maarten Z. H. Kolk, Jesse Wiers, Julia Vogt, Erik J. Bekkers, Ivana Išgum, Fleur V. Y. Tjong,
- Abstract要約: 本稿では,心電図から臨床的に関連のある心臓表現型の抽出を改善するための対照的な学習フレームワークを提案する。
本稿では,心電図から画像由来の表現型を抽出し,特に機能パラメーターについて述べる。
この戦略により、ECGから画像由来の特徴をスケーラブルかつ費用効率良く抽出できる。
- 参考スコア（独自算出の注目度）: 5.214355651899765
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiac magnetic resonance imaging (CMR) offers detailed evaluation of cardiac structure and function, but its limited accessibility restricts use to selected patient populations. In contrast, the electrocardiogram (ECG) is ubiquitous and inexpensive, and provides rich information on cardiac electrical activity and rhythm, yet offers limited insight into underlying cardiac structure and mechanical function. To address this, we introduce a contrastive learning framework that improves the extraction of clinically relevant cardiac phenotypes from ECG by learning from paired ECG-CMR data. Our approach aligns ECG representations with 3D CMR volumes at end-diastole (ED) and end-systole (ES), with a dual-phase contrastive loss to anchor each ECG jointly with both cardiac phases in a shared latent space. Unlike prior methods limited to 2D CMR representations with or without a temporal component, our framework models 3D anatomy at both ED and ES phases as distinct latent representations, enabling flexible disentanglement of structural and functional cardiac properties. Using over 34,000 ECG-CMR pairs from the UK Biobank, we demonstrate improved extraction of image-derived phenotypes from ECG, particularly for functional parameters ($\uparrow$ 9.2\%), while improvements in clinical outcome prediction remained modest ($\uparrow$ 0.7\%). This strategy could enable scalable and cost-effective extraction of image-derived traits from ECG. The code for this research is publicly available.
- Abstract（参考訳）: 心臓磁気共鳴画像(CMR)は、心臓の構造と機能について詳細に評価するが、そのアクセシビリティの制限は、選択した患者に限られる。
対照的に、心電図(ECG)はユビキタスで安価であり、心臓の電気活動とリズムに関する豊富な情報を提供するが、基礎となる心構造と機械機能について限られた洞察を与える。
そこで本研究では,心電図-CMRデータから心電図から臨床的に関連性のある心電図の抽出を改善することを目的とした,コントラスト学習フレームワークを提案する。
本手法は心電図の3次元CMRボリュームを終末拡張期 (ED) と終末収縮期 (ES) に整合させ, 両心電図と心電図の両相を共有潜在空間に固定する。
時間的成分の有無にかかわらず2次元CMR表現に制限された従来の手法とは異なり,我々のフレームワークはEDおよびES相の3次元解剖を異なる潜在表現としてモデル化し,構造的および機能的心的特性の柔軟な解離を可能にする。
イギリスバイオバンクの34,000組以上のECG-CMRペアを用いて、心電図から画像由来の表現型を抽出し、特に機能的パラメーター(「uparrow$9.2\%」)について改善した。
この戦略により、ECGから画像由来の特徴をスケーラブルかつ費用効率良く抽出できる。
この研究のコードは公開されている。
関連論文リスト
- ECGFlowCMR: Pretraining with ECG-Generated Cine CMR Improves Cardiac Disease Classification and Phenotype Prediction [23.66531382713075]
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。
論文 参考訳（メタデータ） (2026-01-28T12:13:00Z) - 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) - Reconstructing 12-Lead ECG from 3-Lead ECG using Variational Autoencoder to Improve Cardiac Disease Detection of Wearable ECG Devices [22.76333494370181]
可変オートエンコーダ(VAE)方式であるWearECGを提案する。
我々のモデルには、ECG信号の時間的および空間的依存をよりよく捉えるためのアーキテクチャの改善が含まれている。
大規模プレトレーニングECGモデルであるECGFounderを,40以上の心条件を含む多ラベル分類タスクで微調整する。
論文 参考訳（メタデータ） (2025-10-13T14:14:37Z) - 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) - 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) - 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) - MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。
最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。
LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-07T23:20:56Z)
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。