論文の概要: Cardiac Output Prediction from Echocardiograms: Self-Supervised Learning with Limited Data

• arxiv url: http://arxiv.org/abs/2602.13846v1
• Date: Sat, 14 Feb 2026 18:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.456983
• Title: Cardiac Output Prediction from Echocardiograms: Self-Supervised Learning with Limited Data
• Title（参考訳）: 心エコー図による心臓出力予測:限られたデータを用いた自己教師付き学習
• Authors: Adson Duarte, Davide Vitturini, Emanuele Milillo, Andrea Bragagnolo, Carlo Alberto Barbano, Riccardo Renzulli, Michele Cannito, Federico Giacobbe, Francesco Bruno, Ovidio de Filippo, Fabrizio D'Ascenzo, Marco Grangetto,
• Abstract要約: そこで我々は,SimCLRをベースとした自己教師付き学習(SSL)事前学習戦略を提案し,心エコービデオからCO予測を改善する。 その結果、SSLは過剰適合を軽減し、表現学習を改善し、テストセット上での平均ピアソン相関0.41を達成できることがわかった。
• 参考スコア（独自算出の注目度）: 6.297048786887996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac Output (CO) is a key parameter in the diagnosis and management of cardiovascular diseases. However, its accurate measurement requires right-heart catheterization, an invasive and time-consuming procedure, motivating the development of reliable non-invasive alternatives using echocardiography. In this work, we propose a self-supervised learning (SSL) pretraining strategy based on SimCLR to improve CO prediction from apical four-chamber echocardiographic videos. The pretraining is performed using the same limited dataset available for the downstream task, demonstrating the potential of SSL even under data scarcity. Our results show that SSL mitigates overfitting and improves representation learning, achieving an average Pearson correlation of 0.41 on the test set and outperforming PanEcho, a model trained on over one million echocardiographic exams. Source code is available at https://github.com/EIDOSLAB/cardiac-output.
• Abstract（参考訳）: 心血管疾患の診断と管理において,心出力(CO)が重要なパラメータである。 しかし、その正確な測定には、心エコーによる信頼性の高い非侵襲的代替薬の開発を動機とする、侵襲的で時間を要する右肝カテーテル化が必要である。 そこで本研究では,SimCLRに基づく自己教師型学習(SSL)事前学習戦略を提案する。 事前トレーニングは、ダウンストリームタスクで利用可能な、同じ制限されたデータセットを使用して行われ、データ不足の下でもSSLの可能性を示す。 以上の結果から,SSLは過剰適合を緩和し,表現学習を向上し,テストセットの平均Pearson相関値0.41を達成し,100万回以上の心エコー検査を訓練したPanEchoよりも優れていた。 ソースコードはhttps://github.com/EIDOSLAB/cardiac-output.comで入手できる。

関連論文リスト

• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• Echocardiogram Foundation Model -- Application 1: Estimating Ejection Fraction [2.4164193358532438]
  心エコー基礎モデルであるエコーAIを導入し,150万個の心エコーを用いて自己教師付き学習(SSL)を用いて訓練した。 我々は,EchoAIを微調整し,平均絶対パーセンテージ誤差を9.40%と評価した。
  論文  参考訳（メタデータ） (2023-11-21T13:00:03Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• SimLVSeg: Simplifying Left Ventricular Segmentation in 2D+Time Echocardiograms with Self- and Weakly-Supervised Learning [0.8672882547905405]
  狭義の心エコービデオから一貫した左室(LV)セグメンテーションを行うビデオベースネットワークであるSimLVSegを開発した。 SimLVSegは、時間的マスキングによる自己教師付き事前トレーニングと、スパースアノテーションからのLVセグメンテーションに適した弱い教師付き学習で構成されている。 我々は、SimLVSegが、最大の2D+時間心エコー画像データセットで93.32%のダイススコアを達成して、最先端のソリューションをいかに優れているかを実証する。
  論文  参考訳（メタデータ） (2023-09-30T18:13:41Z)
• Deep Metric Learning for the Hemodynamics Inference with Electrocardiogram Signals [14.972877620537686]
  我々は、中央の圧力ラベルを伴わない540万以上のECGを含むデータセットを使用して、自己教師型DMLモデルを事前トレーニングします。 8,172mPCWPラベルのECGを用いた教師付きDMLモデルでは,mPCWP回帰タスクの性能が著しく向上した。
  論文  参考訳（メタデータ） (2023-08-09T01:30:07Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)

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。