論文の概要: Deep Learning Strain Estimation: Is Physics-Based Simulation the Solution?
- arxiv url: http://arxiv.org/abs/2605.28697v1
- Date: Wed, 27 May 2026 16:24:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:56.20928
- Title: Deep Learning Strain Estimation: Is Physics-Based Simulation the Solution?
- Title（参考訳）: ディープラーニングのひずみ推定:物理シミュレーションは解か?
- Authors: Thierry Judge, Nicolas Duchateau, Andreas Østvik, Khuram Faraz, Anders Austlid Taskén, Sigve Karlsen, Thor Edvardsen, Harald Brunvand, Md Abulkalam Azad, Havard Dalen, Bjørnar Grenne, Gabriel Kiss, Pierre-Yves Courand, Lasse Lovstakken, Pierre-Marc Jodoin, Olivier Bernard,
- Abstract要約: 本稿では,実ビデオからのスペックルデコレーションを取り入れた新しいシミュレーション手法を提案する。
提案手法は,グローバルおよび地域ひずみに対する不整合性能を達成し,特に専門家間環境でのGLS変動率1.42%に達する。
- 参考スコア（独自算出の注目度）: 2.530975530875256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Speckle tracking echocardiography (STE) is the clinical standard for myocardial strain estimation. Despite good performance on global strain (GLS), its accuracy for regional strain remains limited, even though this biomarker is highly relevant for early diagnosis and the characterization of subtle abnormalities. from clinical data. Deep learning is a promising alternative, but its development is constrained by the lack of reliable motion references. Existing solutions rely either on STE-derived labels or on simulations generated by physics-based models, but these synthetic sequences still have limited realism compared with clinical data.In this paper, we propose a novel simulation strategy that incorporates speckle decorrelation measures from real videos and uses an iterative refinement process to improve the motion realism in the simulations. We created an open-source photorealistic dataset of 1,478 videos with reference motion, which was used to train an echocardiographic motion estimation algorithm. The proposed method achieves unmatched performance on global and regional strain, notably reaching a GLS variability of 1.42% in an inter-expert setting compared to 1.78% for the clinical reference.
- Abstract（参考訳）: STE(Speckle Tracking echocardiography)は、心筋ひずみ推定のための臨床標準である。
このバイオマーカーは早期診断と微妙な異常のキャラクタリゼーションに高い関連性があるにもかかわらず,Global strain (GLS) の精度は低い。
臨床データから
ディープラーニングは有望な代替手段だが、その開発は信頼できるモーションリファレンスの欠如によって制約されている。
既存のソリューションは、STE由来のラベルや物理モデルによるシミュレーションに頼っているが、これらの合成シーケンスは、臨床データと比較して、まだ制限されたリアリズムを持っている。
心エコー図動推定アルゴリズムをトレーニングするために,参照モーション付き1,478本のオープンソースフォトリアリスティックデータセットを構築した。
本手法は, 臨床基準値の1.78%に対して, 専門家間環境でのGLS変動率1.42%に到達した。
関連論文リスト
- Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Estimation of Segmental Longitudinal Strain in Transesophageal Echocardiography by Deep Learning [4.266983119889826]
本研究では,経食道心エコー法(TEE)における運動推定のための深層学習(DL)法を用いたSLS推定のための最初の自動パイプラインであるautoStrainを紹介した。
本稿では,高密度フレーム・フレーム間予測のためのRAFT光フローモデルに基づくTeeFlowと,スパース長周期予測のためのCoTracker点軌道モデルに基づくTeeTrackerの2つのDL手法の比較分析を行う。
評価の結果,TeeTrackerの精度はTeeFlowより優れており,SynTEEテストデータセット上での動作推定における平均距離誤差は0.65mmであることがわかった。
論文 参考訳（メタデータ） (2025-11-04T03:02:27Z) - Prediction-Powered Causal Inferences [59.98498488132307]
予測型因果推論(PPCI)に焦点をあてる
まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。
次に、実験間での十分な表現制約伝達の妥当性を導入する。
論文 参考訳（メタデータ） (2025-02-10T10:52:17Z) - Thermodynamics-informed graph neural networks for real-time simulation of digital human twins [2.6811507121199325]
本稿では,軟組織シミュレーション研究の進展をめざした新しい手法を提案する。
提案手法は, グラフニューラルネットワークの幾何学的バイアスと, 垂直構造の配置から導かれる物理的バイアスを統合する。
そこで本研究では,ヒト肝臓のトラクションおよび圧縮負荷に対する応答を7.3ミリ秒以内で予測するモデルを提案する。
論文 参考訳（メタデータ） (2024-12-16T18:01:40Z) - SISMIK for brain MRI: Deep-learning-based motion estimation and model-based motion correction in k-space [0.0]
本研究では,脳の2次元スピンエコースキャンにおける動き推定と補正の振り返り手法を提案する。
この手法は、深いニューラルネットワークのパワーを利用してk空間の運動パラメータを推定する。
モデルに基づくアプローチを用いて、劣化した画像を復元し、「幻覚」を避ける。
論文 参考訳（メタデータ） (2023-12-20T17:38:56Z) - Generic Lithography Modeling with Dual-band Optics-Inspired Neural
Networks [52.200624127512874]
我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。
提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。
また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-03-12T08:08:50Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。