論文の概要: VISION-ICE: Video-based Interpretation and Spatial Identification of Arrhythmia Origins via Neural Networks in Intracardiac Echocardiography

• arxiv url: http://arxiv.org/abs/2602.20165v1
• Date: Wed, 04 Feb 2026 06:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.635982
• Title: VISION-ICE: Video-based Interpretation and Spatial Identification of Arrhythmia Origins via Neural Networks in Intracardiac Echocardiography
• Title（参考訳）: Vision-ICE:心内心エコー図における神経回路による不整脈発生の映像による解釈と空間的同定
• Authors: Dorsa EPMoghaddam, Feng Gao, Drew Bernard, Kavya Sinha, Mehdi Razavi, Behnaam Aazhang,
• Abstract要約: 不整脈源の局在は、正常洞リズム、左サイド、右サイドの不整脈を区別する3段階の分類課題として定式化されている。 上記の3つのクラスを識別する3次元畳み込みニューラルネットワークを開発した。 10倍のクロスバリデーションでは、前例のない4例に対して平均66.2%の精度で評価された。
• 参考スコア（独自算出の注目度）: 3.3977894536938273
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Contemporary high-density mapping techniques and preoperative CT/MRI remain time and resource intensive in localizing arrhythmias. AI has been validated as a clinical decision aid in providing accurate, rapid real-time analysis of echocardiographic images. Building on this, we propose an AI-enabled framework that leverages intracardiac echocardiography (ICE), a routine part of electrophysiology procedures, to guide clinicians toward areas of arrhythmogenesis and potentially reduce procedural time. Arrhythmia source localization is formulated as a three-class classification task, distinguishing normal sinus rhythm, left-sided, and right-sided arrhythmias, based on ICE video data. We developed a 3D Convolutional Neural Network trained to discriminate among the three aforementioned classes. In ten-fold cross-validation, the model achieved a mean accuracy of 66.2% when evaluated on four previously unseen patients (substantially outperforming the 33.3% random baseline). These results demonstrate the feasibility and clinical promise of using ICE videos combined with deep learning for automated arrhythmia localization. Leveraging ICE imaging could enable faster, more targeted electrophysiological interventions and reduce the procedural burden of cardiac ablation. Future work will focus on expanding the dataset to improve model robustness and generalizability across diverse patient populations.
• Abstract（参考訳）: 同時代の高密度マッピング技術と術前CT/MRIは、不整脈の局所化に時間と資源を集中的に用い続けている。 AIは、心エコー画像の正確かつ迅速なリアルタイム解析を提供するための臨床的意思決定支援として検証されている。 そこで我々は, 心内心エコー法(ICE)を応用し, 臨床医を不整脈領域へ誘導し, 手続き時間を短縮するフレームワークを提案する。 不整脈源の局在は、ICEビデオデータに基づいて、正常洞リズム、左サイド、右サイドの不整脈を識別する3クラス分類タスクとして定式化される。 上記の3つのクラスを識別する3次元畳み込みニューラルネットワークを開発した。 10倍のクロスバリデーションでは、前例のない4例(33.3%のランダムベースラインを統計的に上回る)で評価すると平均66.2%の精度を達成した。 これらの結果から, 深層学習とICEビデオの併用による不整脈自動局在の実現可能性, 臨床的意義が示唆された。 ICEイメージングの活用は、より速く、より標的となる電気生理学的介入を可能にし、心臓アブレーションの手続き的負担を軽減することができる。 今後は、さまざまな患者集団におけるモデルの堅牢性と一般化性を改善するために、データセットの拡張に注力していく予定だ。

関連論文リスト

• 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)
• Detection and Localization of Subdural Hematoma Using Deep Learning on Computed Tomography [3.5333115085185614]
  硬膜下血腫 (SDH) は神経外科的緊急時であり, 高齢化が進んでいる。 マルチモーダルな臨床および画像情報を統合する透明でハイパフォーマンスなシステムが必要である。 我々は,構造化された臨床変数とCTボリュームに基づいて訓練された3次元畳み込みニューラルネットワークと,SDHの検出とローカライゼーションのための2次元セグメンテーションモデルを統合するマルチモーダルディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-12-10T07:37:42Z)
• Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
  深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。 本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
  論文  参考訳（メタデータ） (2025-08-24T10:44:24Z)
• Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
  本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。 心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。 提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
  論文  参考訳（メタデータ） (2025-07-24T09:40:24Z)
• 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)
• Advanced Neural Network Architecture for Enhanced Multi-Lead ECG Arrhythmia Detection through Optimized Feature Extraction [0.0]
  不規則な心臓リズムを特徴とする不整脈は、深刻な診断課題を呈する。 本研究では,不整脈分類の複雑さに対処するために,ディープラーニング技術を活用した革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-13T19:56:15Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Local-Global Temporal Fusion Network with an Attention Mechanism for Multiple and Multiclass Arrhythmia Classification [26.31920663404757]
  本研究では, (i) 局所時間情報抽出, (ii) グローバルパターン抽出, (iii) 局所グローバル情報融合からなるフレームワークを提案する。 提案手法は,情報損失を発生させることなく,ローカル・グローバル情報やダイナミクスをキャプチャできる。
  論文  参考訳（メタデータ） (2023-08-03T02:07:32Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。