論文の概要: HypOProto: Hyperbolic Ordinal Prototypes for Left Ventricular Filling Pressure Classification

• arxiv url: http://arxiv.org/abs/2606.19804v1
• Date: Thu, 18 Jun 2026 05:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.660993
• Title: HypOProto: Hyperbolic Ordinal Prototypes for Left Ventricular Filling Pressure Classification
• Title（参考訳）: HypOProto:左室充満圧分類のための双曲性順序性原型
• Authors: Victoria Wu, Nima Hashemi, Hooman Vaseli, Christina Luong, Purang Abolmaesumi, Teresa S. M. Tsang,
• Abstract要約: 左室充満圧 (LVFP) は心不全などの病態に対する重要な生理的指標である。 既存のディープラーニングアプローチは高いパフォーマンスを達成するが、ほとんどブラックボックスのままであり、臨床解釈可能性を制限する。 本稿では,LVFP分類のための双曲型・順序型プロトタイプベースのフレームワークであるHypOProtoを提案する。
• 参考スコア（独自算出の注目度）: 3.117824148981304
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Echocardiography (echo) is a widely used imaging modality for assessing cardiac function, with Left Ventricular Filling Pressure (LVFP) serving as a critical physiological marker for conditions such as heart failure. Standard LVFP classification into normal \emph{vs} elevated categories relies on the Doppler-derived $E/e'$ ratio, which is operator-dependent and often unavailable in resource-limited settings, motivating methods that infer LVFP directly from B-mode echo. Existing deep learning approaches achieve high performance but remain largely black-box, limiting clinical interpretability. We propose HypOProto, a hyperbolic, ordinal prototype-based framework for interpretable LVFP classification using a frozen, explainable foundation model backbone. HypOProto arranges prototypes along the physiological $E/e'$ scale, placing borderline cases near the hyperboloid root where small angular differences separate similar cases, while normal and elevated cases occupy outward positions reflecting increasing diagnostic certainty. This hyperbolic geometry encodes clinically meaningful ordinal relationships and improves interpretability. We also introduce a novel Hyperbolic Prototype Angular Separation (HyperPAS) loss, enforcing inter-class prototype separation in hyperbolic space. HypOProto achieves SOTA performance while maintaining transparency, and highlights clinically relevant regions in visualizations. This work represents the first prototype-based framework for LVFP classification in echo. Our code can be found at https://github.com/DeepRCL/HypOProto.
• Abstract（参考訳）: 心エコー法(echo)は、左心室充満圧(LVFP)が心不全などの病態に重要な生理的指標となる、心機能を評価するための画像モダリティとして広く用いられている。 通常の LVFP を通常の \emph{vs} に分類する際、ドップラー由来の$E/e'$ 比は演算子に依存しており、しばしばリソース制限の設定では利用できないが、Bモードエコーから直接 LVFP を推定する動機付け手法である。 既存のディープラーニングアプローチは高いパフォーマンスを達成するが、ほとんどブラックボックスのままであり、臨床解釈可能性を制限する。 本稿では, 凍結, 説明可能な基礎モデルバックボーンを用いたLVFP分類の解釈のための, 双曲型, 順序型プロトタイプベースのフレームワークHypOProtoを提案する。 HypOProtoは、生理学的な$E/e'$スケールに沿ってプロトタイプを配置し、小さな角の差が同じケースを分離する双曲根の近傍に境界線を配置する。 この双曲幾何学は臨床的に意味のある順序関係をコード化し、解釈可能性を向上させる。 また,双曲型Angular分離(HyperPAS)を新たに導入し,双曲型空間におけるクラス間プロトタイプ分離を実現する。 HypOProtoは透明性を維持しながらSOTAのパフォーマンスを達成し、視覚化における臨床的に関連する領域を強調している。 この研究は、LVFP分類のための最初のプロトタイプベースのフレームワークをエコーで表現している。 私たちのコードはhttps://github.com/DeepRCL/HypOProtoで参照できます。

関連論文リスト

• HypEHR: Hyperbolic Modeling of Electronic Health Records for Efficient Question Answering [6.720012088509191]
  本稿では,ハイパーボリック空間にコードや患者訪問,質問を埋め込んだコンパクトなローレンツモデルHypEHRを提案する。 HypEHRは、ICDyuに表現を合わせるために、次世代の診断予測と階層対応の正規化で事前訓練されている。
  論文  参考訳（メタデータ） (2026-04-22T19:18:36Z)
• Visual prompting reimagined: The power of the Activation Prompts [72.85146015928626]
  本稿では,入力レベルのVPの範囲を広げる,アクティベーションプロンプト(AP)の概念を導入する。 APは畳み込みニューラルネットワークと視覚変換器の正規化チューニングと密接に関連している。 畳み込みニューラルネットワークと視覚変換器の正規化チューニングとAPは密接に関連していることを示す。
  論文  参考訳（メタデータ） (2026-04-07T20:28:24Z)
• Gated Differential Linear Attention: A Linear-Time Decoder for High-Fidelity Medical Segmentation [15.30336007288786]
  PVT-GDLAはデコーダ中心のトランスフォーマーで、線形時間でシャープで長距離の依存関係を復元する。 これは、CT、MRI、超音波、皮膚内視鏡のベンチマークで同等のトレーニング予算で最先端の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-03T08:26:08Z)
• CardiacCLIP: Video-based CLIP Adaptation for LVEF Prediction in a Few-shot Manner [14.429336783145644]
  左室放出分画(LVEF)は心臓機能の指標となる。 既存のLVEF推定手法は、大規模な注釈付きビデオデータセットに依存する。 我々は、注目ベースのフレームアグリゲーションとマルチレゾリューション・インプット・スケーリングによるLVEF予測を強化する、ビデオベースのフレームワークであるCardiacCLIPを提案する。
  論文  参考訳（メタデータ） (2025-09-21T12:52:08Z)
• Demystifying Catastrophic Forgetting in Two-Stage Incremental Object Detector [42.40881712297689]
  破滅的な忘れ物は主にRoIヘッドに局在している。 NSGP-RePREは2種類のプロトタイプのリプレイを通じて忘れを緩和する。 NSGP-RePREはPascal VOCおよびMS COCOデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-08T12:10:02Z)
• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
  本稿では,超スペクトル部分空間解析のための新しい手法を提案する。 この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-09-21T16:29:59Z)

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。