論文の概要: Follow Your Heart: Landmark-Guided Transducer Pose Scoring for Point-of-Care Echocardiography

• arxiv url: http://arxiv.org/abs/2603.27143v1
• Date: Sat, 28 Mar 2026 05:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.809902
• Title: Follow Your Heart: Landmark-Guided Transducer Pose Scoring for Point-of-Care Echocardiography
• Title（参考訳）: 心電図のためのランドマーク誘導型トランスデューサ
• Abstract要約: 左室放出率(LVEF)などの臨床的に影響のある測定値を評価するために,Apical 4-chamber(A4CH)ビューを用いた。 我々は、A4CHビュー取得のためのフィードバック手段を提供するマルチタスクネットワークを提案し、高品質なA4CH画像におけるLVEFを自動的に推定する。
• 参考スコア（独自算出の注目度）: 7.643959106718679
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Point-of-care transthoracic echocardiography (TTE) makes it possible to assess a patient's cardiac function in almost any setting. A critical step in the TTE exam is acquisition of the apical 4-chamber (A4CH) view, which is used to evaluate clinically impactful measurements such as left ventricular ejection fraction (LVEF). However, optimizing transducer pose for high-quality image acquisition and subsequent measurement is a challenging task, particularly for novice users. In this work, we present a multi-task network that provides feedback cues for A4CH view acquisition and automatically estimates LVEF in high-quality A4CH images. The network cascades a transducer pose scoring module and an uncertainty-aware LV landmark detector with automated LVEF estimation. A strength is that network training and inference do not require cumbersome or costly setups for transducer position tracking. We evaluate performance on point-of-care TTE data acquired with a spatially dense "sweep" protocol around the optimal A4CH view. The results demonstrate the network's ability to determine when the transducer pose is on target, close to target, or far from target based on the images alone, while generating visual landmark cues that guide anatomical interpretation and orientation. In conclusion, we demonstrate a promising strategy to provide guidance for A4CH view acquisition, which may be useful when deploying point-of-care TTE in limited resource settings.
• Abstract（参考訳）: ポイント・オブ・ケア 経胸壁心エコー法 (Point-of-care transthoracic echocardiography, TTE) は、患者の心機能のほぼすべての設定で評価することができる。 TTE試験における重要なステップは、左室放出率(LVEF)などの臨床的に影響のある測定値を評価するために使用される、A4CH(apical 4-chamber)ビューの取得である。 しかし、トランスデューサの最適化は高品質な画像取得に役立ち、その後の計測は特に初心者にとっては難しい課題である。 本研究では、A4CHビュー取得のためのフィードバックキューを提供し、高品質なA4CH画像におけるLVEFを自動的に推定するマルチタスクネットワークを提案する。 ネットワークは、自動LVEF推定を行うトランスデューサポーズスコアリングモジュールと、不確実性を認識したLVランドマーク検出器をケーケードする。 強みは、トランスデューサの位置追跡のためにネットワークトレーニングと推論が面倒でコストのかかるセットアップを必要としないことである。 最適A4CHビューの周囲に空間的に密度の高い「スイート」プロトコルを用いて取得したポイント・オブ・ケアTTEデータの性能を評価する。 結果は、トランスデューサのポーズがターゲットにいつあるのか、ターゲットに近づいたのか、あるいは画像だけではターゲットから遠く離れているのかをネットワークが判断する能力を示し、解剖学的解釈と向きを導く視覚的ランドマークの手がかりを生成する。 結論として,限られた資源環境下でのポイント・オブ・ケアTTEの展開において有用な,A4CHビュー取得のためのガイダンスを提供するための有望な戦略を示す。

関連論文リスト

• EchoVQA: Enabling Conversational Assistance for Point-of-Care Cardiac Ultrasound [18.04473134587132]
  本稿では,14,299枚の画像と74,819枚の質問応答対からなる,心エコー図用VQAデータセットとして初の大規模データセットであるEchoVQAを紹介する。 EchoVQAには、左室放出率推定のための診断用4チャンバービューへのトランスデューサ位置の最適化を支援するための取得誘導質問が含まれている。
  論文  参考訳（メタデータ） (2026-05-22T19:28:45Z)
• Think as Cardiac Sonographers: Marrying SAM with Left Ventricular Indicators Measurements According to Clinical Guidelines [10.334018181732022]
  心血管疾患の診断には左室(LV)測定が重要である。 ビジョンファインダオプションモデル(VFM)を豊富な知識で導入する必要がある。 本稿では,SAMの強力な視覚的理解とセグメンテーションとランドマークローカライゼーションタスクを同時に組み合わせたAutoSAMEという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-12T02:09:36Z)
• Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
  リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。 第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。 第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
  論文  参考訳（メタデータ） (2024-04-12T20:39:19Z)
• GPT-4V-AD: Exploring Grounding Potential of VQA-oriented GPT-4V for Zero-shot Anomaly Detection [51.43589678946244]
  本稿では、一般的な視覚異常検出(AD)タスクにおけるVQA指向のGPT-4Vの可能性について検討する。 MVTec ADとVisAデータセットで定性的かつ定量的な評価を行ったのは、これが初めてである。
  論文  参考訳（メタデータ） (2023-11-05T10:01:18Z)
• A Systematic Evaluation of GPT-4V's Multimodal Capability for Medical Image Analysis [87.25494411021066]
  医用画像解析のためのGPT-4Vのマルチモーダル機能の評価を行った。 GPT-4Vは医用画像の理解に優れ、高品質な放射線診断レポートを生成する。 医用視覚接地の性能は大幅に改善する必要があることが判明した。
  論文  参考訳（メタデータ） (2023-10-31T11:39:09Z)
• Feature Enhancer Segmentation Network (FES-Net) for Vessel Segmentation [19.455350961592742]
  本稿では,画像強調ステップを必要とせずに正確な画素分割を実現する機能拡張セグメンテーションネットワーク(FES-Net)を提案する。 FES-Netは入力画像を直接処理し、ダウンサンプリング中に4つのプロンプト畳み込みブロック(PCB)を利用する。 DRIVE, STARE, CHASE, HRFの4つの公開技術データセット上でのFES-Netの性能を評価する。
  論文  参考訳（メタデータ） (2023-09-07T07:46:46Z)
• EchoGLAD: Hierarchical Graph Neural Networks for Left Ventricle Landmark Detection on Echocardiograms [21.537833605289816]
  左室ランドマーク検出(EchoGLAD)のための心エコーを用いた階層型グラフニューラルネットワーク(GNN)を提案する。 本研究の主な貢献は,1)GNNによるマルチ解像度ランドマーク検出のための階層的グラフ表現学習フレームワーク,2)多レベル損失を用いた粒度の異なる階層的監視である。
  論文  参考訳（メタデータ） (2023-07-23T05:31:47Z)
• DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler Signal [48.97719097435527]
  DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。 動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
  論文  参考訳（メタデータ） (2023-05-15T18:19:29Z)
• Superresolution and Segmentation of OCT scans using Multi-Stage adversarial Guided Attention Training [18.056525121226862]
  我々は,OCTスキャンを高分解能セグメンテーションラベルに変換する多段階・多識別型生成逆数ネットワーク(MultiSDGAN)を提案する。 我々は,MultiSDGANアーキテクチャに対して,チャネルと空間的注意の様々な組み合わせを評価し,比較し,より強力な特徴マップを抽出する。 その結果,Dice係数とSSIMでは21.44%,19.45%の相対的な改善が見られた。
  論文  参考訳（メタデータ） (2022-06-10T00:26:55Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)
• AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement with Neural Searching [76.4844593082362]
  既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。 総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
  論文  参考訳（メタデータ） (2020-04-26T05:43:21Z)
• Volumetric Attention for 3D Medical Image Segmentation and Detection [53.041572035020344]
  3次元医用画像のセグメンテーションと検出のためのボリュームアテンション(VA)モジュールを提案する。 VAアテンションはビデオ処理の最近の進歩にインスパイアされ、2.5Dネットワークはz方向のコンテキスト情報を活用することができる。 そのMask R-CNNへの統合は、肝腫瘍(LiTS)チャレンジにおける最先端のパフォーマンスを可能にすることが示されている。
  論文  参考訳（メタデータ） (2020-04-04T18:55:06Z)

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。