論文の概要: Self-Supervised Contrastive Learning for Cardiac MR Sequence Classification

• arxiv url: http://arxiv.org/abs/2605.24789v1
• Date: Sun, 24 May 2026 00:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.440802
• Title: Self-Supervised Contrastive Learning for Cardiac MR Sequence Classification
• Title（参考訳）: 心臓MRシークエンス分類のための自己監督型コントラスト学習
• Authors: Yuli Wang, Hyewon Jung, Dongshen Peng, Yuwei Dai, Jing Wu, Haoyue Guan, Yoko Kato, Zhicheng Jiao, Yu Sun, Ihab Kamel, Joao Lima, Cheng Ting Lin, Harrison Bai,
• Abstract要約: 自己アテンション機構を利用した視覚変換器(ViT)モデルは、堅牢な一般化能力を実証している。 画像に基づく自己教師付きコントラスト学習を利用した適応戦略を提案する。 適応型モデルでは、AUC 0.75が4つの最も一般的な心MRシークエンスにまたがる分類を達成している。
• 参考スコア（独自算出の注目度）: 9.223439006722401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision Transformer (ViT) models, utilizing self-attention mechanisms, have demonstrated robust generalization capabilities across various vision tasks, including image classification. However, these models, typically pretrained on general public datasets, often lack the specialized domain knowledge necessary for medical imaging applications. In this study, we investigate the adaptation of ViT models, specifically for cardiac magnetic resonance (MR) images, using an in-house dataset. We found that pretrained ViT features do not effectively transfer to the cardiac MR domain. To overcome this limitation, we introduce an adaptation strategy that utilizes image-based self-supervised contrastive learning, demonstrating superior performance compared to traditional supervised training approaches. Moreover, our adapted ViT model exhibits strong generalization to external MR datasets such as BraTS and ADNI. Through ablation studies, we further investigate the impact of batch size and dataset scale on performance. Ultimately, our adapted model achieves classification AUC exceeding 0.75 across the four most common cardiac MR sequences.
• Abstract（参考訳）: 自己認識機構を利用した視覚変換器(ViT)モデルは、画像分類を含む様々な視覚タスクにまたがる堅牢な一般化能力を実証している。 しかしながら、これらのモデルは一般的に一般のデータセットで事前訓練されるが、しばしば医療画像アプリケーションに必要な専門的なドメイン知識を欠いている。 本研究では, 心臓磁気共鳴(MR)画像に対する ViT モデルの適用について, 社内データセットを用いて検討した。 プレトレーニングしたVTは心臓MRドメインに効果的に移行しないことが判明した。 この制限を克服するために、画像に基づく自己教師付きコントラスト学習を利用した適応戦略を導入し、従来の教師付きトレーニング手法と比較して優れた性能を示す。 さらに、我々の適応型ViTモデルは、BraTSやADNIといった外部MRデータセットに対して強力な一般化を示す。 アブレーション研究を通じて、バッチサイズとデータセットスケールがパフォーマンスに与える影響をさらに調査する。 最終的に、我々の適応モデルでは、最も一般的な4つの心MRシークエンスに対して、AUCが0.75以上の分類を達成している。

関連論文リスト

• Entropy-Guided Self-Supervised Learning for Medical Image Classification [0.0]
  本稿では,自己教師型学習と伝達学習の強みを活かし,医用画像分類の強化を目的とした相乗的深層学習フレームワークを提案する。 提案手法では,2つの異なるConvNeXt-Tinyモデルを用いている。1つは大規模自然画像データセット(ImageNet)で事前トレーニングされたもので,もう1つはターゲットの医療データセットでエントロピー誘導型Masked Autoencoder(MAE)を用いて事前トレーニングされたものだ。 4つの多様な医用画像データセットに対する厳密な実験的検証は、我々のアンサンブルアプローチの優れた性能と堅牢性を示している。
  論文  参考訳（メタデータ） (2026-05-21T04:01:06Z)
• Beyond Independent Frames: Latent Attention Masked Autoencoders for Multi-View Echocardiography [18.218981066770514]
  医療画像のマルチビュー特性に合わせた基礎モデルアーキテクチャであるLAMAE(Latent Attention Masked Autocoder)を紹介する。 LAMAEは標準のMAEを潜在注意モジュールで拡張し、フレームとビューを直接潜在空間で情報交換できる。
  論文  参考訳（メタデータ） (2026-04-16T14:55:28Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• On the effectiveness of multimodal privileged knowledge distillation in two vision transformer based diagnostic applications [42.19559765387761]
  マルチモーダル特権知識蒸留(英: multimodal privileged knowledge distillation, MMPKD)は、モダリティを付加し、一様視覚モデル(unimodal vision model)を導出する訓練戦略である。 MMPKDは、入力画像中のROIをローカライズするアテンションマップのゼロショット機能を改善することができることを示す。
  論文  参考訳（メタデータ） (2025-08-06T14:14:54Z)
• Glioblastoma Overall Survival Prediction With Vision Transformers [6.318465743962574]
  グリオ芽腫は最も攻撃的で一般的な脳腫瘍の1つで、生存期間は10～15ヶ月である。 本研究では,MRI画像を用いた総合生存(OS)予測のための新しい人工知能(AI)手法を提案する。 我々は視覚変換器(ViT)を用いてMRI画像から直接隠れた特徴を抽出し,腫瘍のセグメンテーションの必要性を排除した。 提案したモデルは、BRATSデータセットで評価され、テストセット上で62.5%の精度を達成した。
  論文  参考訳（メタデータ） (2025-08-04T13:59:57Z)
• Time Series Modeling for Heart Rate Prediction: From ARIMA to Transformers [4.744436991413165]
  本研究では、LSTMを含む高度なディープラーニングモデルを用いて、MIT-BIHデータベースから心拍数時系列を予測する。 結果は、ディープラーニングモデル、特にPatchTSTが、複数のメトリクスで従来のモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-18T01:55:37Z)
• Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
  臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。 スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。 現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
  論文  参考訳（メタデータ） (2024-06-10T02:20:26Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)

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。