論文の概要: Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos

• arxiv url: http://arxiv.org/abs/2603.08505v1
• Date: Mon, 09 Mar 2026 15:39:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.31331
• Title: Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos
• Title（参考訳）: Echo2ECG:マルチビューエコーによる心臓形態による心電図表現の強化
• Authors: Michelle Espranita Liman, Özgün Turgut, Alexander Müller, Eimo Martens, Daniel Rueckert, Philip Müller,
• Abstract要約: 既存の自己教師型手法は、ECGをシングルビューエコーに整列させることで、表現ミスマッチに悩まされる。 本稿では,心電図表現を多視点エコーで捉えることで,心電図表現を充実させるマルチモーダル自己教師型学習フレームワークであるEcho2ECGを提案する。 臨床的に関係のある2つの課題に対して,Echo2ECGをECG特徴抽出器として評価した。
• 参考スコア（独自算出の注目度）: 53.368813255127115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiography (ECG) is a low-cost, widely used modality for diagnosing electrical abnormalities like atrial fibrillation by capturing the heart's electrical activity. However, it cannot directly measure cardiac morphological phenotypes, such as left ventricular ejection fraction (LVEF), which typically require echocardiography (Echo). Predicting these phenotypes from ECG would enable early, accessible health screening. Existing self-supervised methods suffer from a representational mismatch by aligning ECGs to single-view Echos, which only capture local, spatially restricted anatomical snapshots. To address this, we propose Echo2ECG, a multimodal self-supervised learning framework that enriches ECG representations with the heart's morphological structure captured in multi-view Echos. We evaluate Echo2ECG as an ECG feature extractor on two clinically relevant tasks that fundamentally require morphological information: (1) classification of structural cardiac phenotypes across three datasets, and (2) retrieval of Echo studies with similar morphological characteristics using ECG queries. Our extracted ECG representations consistently outperform those of state-of-the-art unimodal and multimodal baselines across both tasks, despite being 18x smaller than the largest baseline. These results demonstrate that Echo2ECG is a robust, powerful ECG feature extractor. Our code is accessible at https://github.com/michelleespranita/Echo2ECG.
• Abstract（参考訳）: 心電図(Electrocardiography、ECG)は、心房細動などの電気的異常を心臓の電気的活動を捉えて診断するための、低コストで広く用いられるモダリティである。 しかし、左室放出分画(LVEF)のような心形態学的表現型を直接測定することはできない。 ECGからこれらの表現型を予測することで、早期かつアクセス可能な健康スクリーニングが可能になる。 既存の自己教師型手法は、局所的、空間的に制限された解剖学的スナップショットのみをキャプチャする単一ビューエコーにECGを合わせることで、表現ミスマッチに悩まされる。 そこで本稿では,心電図表現を多視点エコーで捉えた心形態構造で強化する多モード自己教師型学習フレームワークであるEcho2ECGを提案する。 本研究は,Echo2ECGを3つのデータセットにまたがる構造的心臓表現型の分類,および,ECGクエリを用いた類似の形態学的特徴を持つエコー研究の検索という,形態学的情報を必要とする2つの臨床関連タスクに対して,ECG特徴抽出器として評価する。 抽出したECG表現は,最大ベースラインより18倍小さいにもかかわらず,両タスクにおける最先端のユニモーダルベースラインやマルチモーダルベースラインよりも一貫して優れていた。 これらの結果は、Echo2ECGが堅牢で強力なECG特徴抽出器であることを示している。 私たちのコードはhttps://github.com/michelleespranita/Echo2ECGでアクセスできます。

関連論文リスト

• RhythmBERT: A Self-Supervised Language Model Based on Latent Representations of ECG Waveforms for Heart Disease Detection [8.583942286312135]
  心電図(ECG)解析は心疾患の診断に不可欠である。 ほとんどの自己教師付き学習方法は、ECGを一般的な時系列として扱う。 本稿では,ECGを言語パラダイムとする生成ECG言語モデルであるRhythmBERTを提案する。
  論文  参考訳（メタデータ） (2026-02-26T14:45:29Z)
• Dual-Phase Cross-Modal Contrastive Learning for CMR-Guided ECG Representations for Cardiovascular Disease Assessment [5.214355651899765]
  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。
  論文  参考訳（メタデータ） (2026-02-13T12:34:28Z)
• 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)
• 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)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• Classification of Arrhythmia by Using Deep Learning with 2-D ECG Spectral Image Representation [3.3426603061273994]
  本稿では,ECG信号を8つのクラスに分類するための2次元(2次元)畳み込みニューラルネットワーク(CNN)モデルを提案する。 我々は,最新の平均分類精度99.11%を達成し,同種の不整脈の分類において,最近報告した結果より優れている。
  論文  参考訳（メタデータ） (2020-05-14T12:11:41Z)

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。