論文の概要: Opportunistic Cardiac Health Assessment: Estimating Phenotypes from Localizer MRI through Multi-Modal Representations

• arxiv url: http://arxiv.org/abs/2603.13590v1
• Date: Fri, 13 Mar 2026 21:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.28846
• Title: Opportunistic Cardiac Health Assessment: Estimating Phenotypes from Localizer MRI through Multi-Modal Representations
• Title（参考訳）: オポチュニスト型心臓健康評価 : 多モード表現によるローカライザーMRIからのフェノタイプ推定
• Authors: Busra Nur Zeybek, Özgün Turgut, Yundi Zhang, Jiazhen Pan, Robert Graf, Sophie Starck, Daniel Rueckert, Sevgi Gokce Kafali,
• Abstract要約: 心電図(Electrocardiograms:ECGs)は安価で、臨床では日常的に整列し、心臓の時間的活動を把握する。 本稿では、ローカライザMRI、ECG信号、グラフメタデータを整列させて頑健な潜伏空間を学習するマルチモーダルフレームワークであるC-TRIPを紹介する。 提案したC-TRIPは, 正確な機能CP, 構造CPの相関性を示す。
• 参考スコア（独自算出の注目度）: 16.10974487106115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiovascular diseases are the leading cause of death. Cardiac phenotypes (CPs), e.g., ejection fraction, are the gold standard for assessing cardiac health, but they are derived from cine cardiac magnetic resonance imaging (CMR), which is costly and requires high spatio-temporal resolution. Every magnetic resonance (MR) examination begins with rapid and coarse localizers for scan planning, which are discarded thereafter. Despite non-diagnostic image quality and lack of temporal information, localizers can provide valuable structural information rapidly. In addition to imaging, patient-level information, including demographics and lifestyle, influence the cardiac health assessment. Electrocardiograms (ECGs) are inexpensive, routinely ordered in clinical practice, and capture the temporal activity of the heart. Here, we introduce C-TRIP (Cardiac Tri-modal Representations for Imaging Phenotypes), a multi-modal framework that aligns localizer MRI, ECG signals, and tabular metadata to learn a robust latent space and predict CPs using localizer images as an opportunistic alternative to CMR. By combining these three modalities, we leverage cheap spatial and temporal information from localizers, and ECG, respectively while benefiting from patient-specific context provided by tabular data. Our pipeline consists of three stages. First, encoders are trained independently to learn uni-modal representations. The second stage fuses the pre-trained encoders to unify the latent space. The final stage uses the enriched representation space for CP prediction, with inference performed exclusively on localizer MRI. Proposed C-TRIP yields accurate functional CPs, and high correlations for structural CPs. Since localizers are inherently rapid and low-cost, our C-TRIP framework could enable better accessibility for CP estimation.
• Abstract（参考訳）: 心臓血管疾患が主な死因である。 心臓表現型 (CPs) は、心臓の健康を評価するための金の基準であるが、これらはコストが高く、時空間分解能が高いシネ心臓MRI (CMR) に由来する。 あらゆる磁気共鳴(MR)検査は、スキャン計画のための急速で粗いローカライザから始まり、その後破棄される。 非診断的画像品質と時間情報の欠如にもかかわらず、ローカライザは価値ある構造情報を迅速に提供することができる。 画像の他に、人口統計や生活習慣などの患者レベルの情報が、心臓の健康評価に影響を与える。 心電図(Electrocardiograms:ECGs)は安価で、臨床では日常的に整列し、心臓の時間的活動を把握する。 そこで我々はC-TRIP(Cardiac Tri-modal Representations for Imaging Phenotypes)を紹介した。これは、ローカライザMRI、ECG信号、グラフメタデータを整列させて、ロバストな潜在空間を学習し、ローカライザ画像を用いてCPをCMRの代替として予測するマルチモーダルフレームワークである。 これら3つのモダリティを組み合わせることで、表型データによって提供される患者固有のコンテキストの恩恵を受けながら、ローカライザとECGからの安価な空間情報と時間情報を活用する。 私たちのパイプラインは3つのステージで構成されています。 まず、エンコーダは独立して訓練され、ユニモーダル表現を学習する。 第2段階は、事前訓練されたエンコーダを融合させ、潜在空間を統一する。 最終段階では、リッチ表現空間を用いてCP予測を行い、推論はローカライザMRIのみで行われる。 提案したC-TRIPは, 正確な機能CPと構造CPの相関性を示す。 ローカライザは本質的に高速で低コストであるため、我々のC-TRIPフレームワークはCP推定のアクセシビリティを向上させることができる。

関連論文リスト

• 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)
• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• CardioMorphNet: Cardiac Motion Prediction Using a Shape-Guided Bayesian Recurrent Deep Network [3.1848596170835854]
  CardioMorphNetは、短軸画像を用いた3次元心臓形状誘導変形登録のためのベイズ学習フレームワークである。 心臓運動推定における優れた性能を示し、最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-28T12:58:14Z)
• KP-INR: A Dual-Branch Implicit Neural Representation Model for Cardiac Cine MRI Reconstruction [1.4214002697449326]
  Inlicit Neural Representation (INR)法は、アンダーサンプルデータから座標-値マッピングを学習することにより、教師なし再構成において有望であることを示す。 心血管MRI再建のためのK空間で動作する2分岐INR法であるKP-INRを提案する。
  論文  参考訳（メタデータ） (2025-08-16T20:02:14Z)
• 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)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• A Comprehensive 3-D Framework for Automatic Quantification of Late Gadolinium Enhanced Cardiac Magnetic Resonance Images [5.947543669357994]
  後期ガドリニウム増強(LGE)心筋磁気共鳴(CMR)は、高強度の非生存性心筋を直接可視化することができる。 心臓発作患者に対しては,LGE CMR画像の解析と定量化により適切な治療の決定を容易にすることが重要である。 正確な定量化を実現するためには、LGE CMR画像は心筋の分画と梗塞の分類の2つのステップで処理する必要がある。
  論文  参考訳（メタデータ） (2022-05-21T11:54:39Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)

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。