論文の概要: Evaluating self-supervised echocardiographic representations across downstream extraction strategies for left-ventricular segmentation and ejection fraction estimation

• arxiv url: http://arxiv.org/abs/2606.22943v1
• Date: Mon, 22 Jun 2026 07:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 03:24:26.27512
• Title: Evaluating self-supervised echocardiographic representations across downstream extraction strategies for left-ventricular segmentation and ejection fraction estimation
• Title（参考訳）: 左室セグメンテーションとエジェクション分画推定のための下流抽出戦略における自己教師型心エコー図像の評価
• Abstract要約: 自己教師付き学習(SSL)は、アノテーションの要求を減らすために医療画像にますます使われている。 濃密な臨床的タスクでは、タスク関連情報を回復するために使用される下流モデルの容量と表現品質を相殺することができる。 左室分画と排液分画推定のための自己教師型表現の体系的評価を行った。
• 参考スコア（独自算出の注目度）: 2.0650491087688496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning (SSL) is increasingly used in medical imaging to reduce annotation requirements, but representation quality is often judged using a single downstream evaluation setting. For dense clinical tasks, this can confound representation quality with the capacity of the downstream model used to recover task-relevant information. We present a systematic evaluation of self-supervised representations for left-ventricular segmentation and ejection fraction (EF) estimation from apical four-chamber echocardiography on EchoNet-Dynamic. Rather than relying on a single downstream probe, we compare a hierarchy of extraction strategies with increasing expressivity: heuristic extraction without mask-supervised training, frozen linear probes, frozen lightweight decoder probes, and partial fine-tuning. We apply this framework to two complementary representation families: generic frozen self-DIstillation with NO labels (DINOv3) features and a task-adapted dense self-supervised representation, Bootstrap Your Own Segmentation (BYOS). In both families, heuristic extraction substantially understated what was recoverable from the frozen representation. For DINOv3, performance improved from Dice 0.684 and EF mean absolute error (MAE) 13.01 under heuristic extraction to Dice 0.906 and EF MAE 9.65 with a frozen lightweight decoder, approaching a supervised U-Net baseline (Dice 0.915, EF MAE 9.72). For BYOS, performance improved from Dice 0.687 and EF MAE 17.83 under heuristic extraction to Dice 0.902 and EF MAE 8.74 with a frozen lightweight decoder. These results show that conclusions about self-supervised representation quality in dense echocardiographic analysis depend strongly on the downstream extraction strategy used for evaluation. We therefore argue that multi-strategy evaluation is an important methodological consideration for SSL in dense medical image analysis.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、アノテーションの要求を減らすために医療画像にますます用いられるが、表現品質は単一の下流評価設定を用いて判断されることが多い。 濃密な臨床的タスクでは、タスク関連情報を回復するために使用される下流モデルの容量と表現品質を相殺することができる。 本研究では,EchoNet-Dynamic を用いた心尖部心エコー図による左室分画と排液分画(EF)推定のための自己監督的表現の体系的評価を行った。 単一の下流プローブに頼るのではなく、抽出戦略の階層構造と、マスクを監督しないヒューリスティック抽出、凍結された線形プローブ、凍結された軽量デコーダプローブ、部分的な微調整など、表現性の向上を比較した。 この枠組みを2つの相補的表現族に適用する:NOラベル付きジェネリック凍結自己蒸留(DINOv3)機能とタスク適応型密集自己監督表現、Bootstrap Your Own Segmentation(BYOS)。 どちらの家庭でも、ヒューリスティックな抽出は凍結した表現から回復できるものを大幅に過小評価した。 DINOv3 では、Dice 0.684 と EF mean absolute error (MAE) 13.01 から改良された性能は、Dice 0.906 と EF MAE 9.65 に凍結軽量デコーダでヒューリスティック抽出され、教師付き U-Net ベースラインに接近した(Dice 0.915, EF MAE 9.72)。 BYOSの場合、性能はDice 0.687とEF MAE 17.83からDice 0.902とEF MAE 8.74へのヒューリスティック抽出で改善された。 以上の結果から, 心エコー図解析における自己監督的表現品質に関する結論は, 評価に用いる下流抽出戦略に強く依存していることが示唆された。 そこで我々は,高密度医用画像解析におけるSSLの方法論的考察として,マルチストラテジー評価が重要であると論じている。

関連論文リスト

• Zero-Shot Respiratory Sound Classification through LLM-Augmented Audio-Text Alignment [29.08356862626618]
  自己監督型呼吸エンコーダは、ゼロショット推論に必要な臨床領域のセマンティックグラウンドを欠いている。 本稿では,これらのエンコーダと医療用語を共用するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-30T11:49:54Z)
• Unsupervised Anatomical Feature Learning via Diffusion Models: Enhanced Medical Image Segmentation with Denoising Diffusion Probabilistic Models [0.8590539335179757]
  本研究では,非教師付き拡散確率モデル(DDPM)を用いて解剖学的特徴を抽出する手法を提案する。 21個の腹部CTでMDPMを訓練し, エンコーダ重みを下流セグメンテーションタスクに転送する。 拡散に基づく事前訓練にラベルのない画像を使用することで、人間の監督に先立って堅牢な解剖学的特徴を組み込むことに成功した。
  論文  参考訳（メタデータ） (2026-08-26T12:10:56Z)
• EPRA U-Net: An Efficient Pyramid Residual Attention Framework for Accurate Infarct Segmentation in Diffusion-Weighted MRI [18.07144782374738]
  EPRA U-NetはDWI画像の効率的かつ正確な梗塞分割のためのタスク固有統合アーキテクチャである。 EPRA U-Netは最先端のモデルに比べて優れた性能を得た。
  論文  参考訳（メタデータ） (2026-07-03T19:17:51Z)
• DINO-MVR: Multi-View Readout of Frozen DINOv3 for Annotation-Efficient Medical Segmentation [10.929173865297933]
  凍結したDINOv3の特徴は,すでに医用セグメンテーションに有用な構造的および境界的手がかりを含んでいる。 アノテーション効率のよい医療セグメンテーションのための多視点読み出しフレームワークであるDINO-MVRを提案する。
  論文  参考訳（メタデータ） (2026-05-08T04:13:01Z)
• Anatomical Token Uncertainty for Transformer-Guided Active MRI Acquisition [27.825869252861335]
  MRIにおける完全なデータ取得は本質的に遅いため、臨床のスループットが制限され、患者の不快感が増す。 CSMRIは、アンダーサンプルのkspaceデータからイメージを再構成することで、取得を加速しようとしている。
  論文  参考訳（メタデータ） (2026-03-23T10:49:23Z)
• EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
  医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。 ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。 医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T14:09:55Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Denoising VAE as an Explainable Feature Reduction and Diagnostic Pipeline for Autism Based on Resting state fMRI [11.871709357017416]
  静止状態fMRIデータを用いた特徴量削減パイプラインを提案する。 rs-fMRIから機能接続データを抽出するためにクラドック・アトラスとパワー・アトラスを用いた。 変分オートエンコーダを用いることで,提案したパイプラインは接続機能を5つの潜在ガウス分布に圧縮する。
  論文  参考訳（メタデータ） (2024-09-30T09:38:47Z)
• FS-Net: Full Scale Network and Adaptive Threshold for Improving Extraction of Micro-Retinal Vessel Structures [4.507779218329283]
  網膜血管の分節は独特の課題を呈する。 最近のニューラルネットワークアプローチは、ローカルとグローバルプロパティのバランスをとるのに苦労している。 エンコーダ・デコーダニューラルネットワークアーキテクチャに基づく包括的マイクロ容器抽出機構を提案する。
  論文  参考訳（メタデータ） (2023-11-14T10:32:17Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Skeleton Graph-based Ultrasound-CT Non-rigid Registration [40.40844749663152]
  皮膚下骨表面の特徴を用いて患者固有の特性を適応させるスケルトングラフに基づく非リグイド登録を提案する。 提案手法を検証するために,1人のボランティアと7つのCT軟骨点群から,異なる患者からUS軟骨点群を手動で抽出した。
  論文  参考訳（メタデータ） (2023-05-14T19:21:43Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)

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。