論文の概要: Learning from Acquisition: Metadata-driven Multimodal Pre-training for Cardiac MRI
- arxiv url: http://arxiv.org/abs/2606.28991v1
- Date: Sat, 27 Jun 2026 15:59:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.753342
- Title: Learning from Acquisition: Metadata-driven Multimodal Pre-training for Cardiac MRI
- Title（参考訳）: 獲得から学ぶ: 心臓MRIのためのメタデータ駆動型マルチモーダル事前トレーニング
- Abstract要約: コントラスト言語に基づくメタデータ駆動型フレームワークの提案--画像事前学習(CLIP)
CLIPは画像モダリティ、解剖学的ビュー、スキャナベンダー、フィールド強度、スキャナモデルをCMR表現学習のためのテキスト監視に変換する。
MetaCLIP-CMRは86.8%のモダリティ精度と86.5%のシネビュー精度を達成し、明らかにImageNetとマスクされた再構築初期化を上回っている。
- 参考スコア（独自算出の注目度）: 7.36289711632562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiac magnetic resonance imaging (CMR) routinely records structured acquisition metadata, yet most CMR foundation models rely primarily on image-only pre-training and leave this naturally available source of weak semantic supervision largely underexplored. We propose MetaCLIP-CMR, a metadata-driven framework based on Contrastive Language--Image Pre-training (CLIP), which converts imaging modality, anatomical view, scanner vendor, field strength, and scanner model into textual supervision for CMR representation learning. The pretrained image encoder is evaluated on imaging modality classification, cine view classification, and cardiac segmentation. MetaCLIP-CMR achieves 86.8% modality accuracy and 86.5% cine view accuracy, clearly outperforming ImageNet and masked reconstruction initialisations. For downstream cardiac segmentation, MetaCLIP-CMR consistently obtains the highest Dice score across the evaluated ACDC and M&Ms cine short-axis (SAX) settings under both full-data and 20% fine-tuning regimes. Compared with recent image-focused large-scale CMR pre-training models, MetaCLIP-CMR achieves comparable ACDC segmentation performance, while requiring less than 1% of their pre-training image scale. These results suggest that metadata learning offers a natural and easy-to-use strategy for transforming routinely recorded acquisition information into effective supervision for foundation-level CMR representation learning, highlighting the promise of metadata-driven multimodal pre-training.
- Abstract（参考訳）: 心臓磁気共鳴イメージング(CMR)は、構造化された取得メタデータを定期的に記録するが、ほとんどのCMRファンデーションモデルは、主に画像のみの事前トレーニングに依存しており、この自然に利用可能な弱いセマンティック・インフォメーションの源は、ほとんど探索されていない。
本稿では、画像モダリティ、解剖学的視点、スキャナーベンダー、フィールド強度、スキャナーモデルをCMR表現学習のためのテキスト管理に変換する、Contrastive Language-- Image Pre-Traning(CLIP)に基づくメタデータ駆動フレームワークであるMetaCLIP-CMRを提案する。
予め訓練した画像エンコーダは、画像モダリティ分類、シネビュー分類、心臓セグメンテーションに基づいて評価される。
MetaCLIP-CMRは86.8%のモダリティ精度と86.5%のシネビュー精度を達成し、明らかにImageNetとマスクされた再構築初期化を上回っている。
MetaCLIP-CMRは、心房中隔欠損症(ACDC)とM&Ms cine short-axis(SAX)のどちらにおいても、フルデータおよび20%の微調整条件下で、常に高いDiceスコアを得る。
最近の画像中心の大規模CMRトレーニングモデルと比較して、MetaCLIP-CMRは、トレーニング済み画像スケールの1%未満を必要としながら、同等のACDCセグメンテーション性能を達成する。
これらの結果から,メタデータ学習は,日常的に記録された取得情報を基盤レベルのCMR表現学習の効果的な監視に変換するための,自然かつ使いやすい戦略を提供する可能性が示唆された。
関連論文リスト
- Metadata-Aware Adaptation of a Generative Foundation Model for Conditional CMR Synthesis [1.5538501783439032]
合成画像生成は、医療画像におけるデータ不足と臨床的に重要な表現型の不足に対処するための有望な戦略である。
本研究では, メタデータ条件付心磁気共鳴(CMR)合成について, 事前学習型潜在モデルを用いて検討する。
本フレームワークは,英国バイオバンクの59,058個の短軸CMRに対して,ペア画像類似度,分布忠実度,サブグループレベル解析を用いて微調整および評価を行った。
論文 参考訳（メタデータ） (2026-08-25T10:03:46Z) - 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) - Benchmarking of Deep Learning Methods for Generic MRI Multi-Organ Abdominal Segmentation [0.5277756703318045]
本稿では3つの最先端およびオープンソースMRI腹部分割ツールのベンチマークを行う。
これらのツールは、MSSegmentator、MRISegmentator-Abdomen、TotalSegmentator MRIである。
また、SynthSegベースのモデルであるABD Synthを、広く利用可能なCTセグメンテーションに基づいて純粋に訓練した。
論文 参考訳（メタデータ） (2025-07-23T22:37:26Z) - ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - TC-KANRecon: High-Quality and Accelerated MRI Reconstruction via Adaptive KAN Mechanisms and Intelligent Feature Scaling [8.301957310590712]
本研究は,TC-KANReconと命名された,革新的な条件付き拡散モデルを提案する。
Multi-Free U-KAN (MF-UKAN) モジュールと動的クリッピング戦略が組み込まれている。
実験により,提案手法は定性評価と定量的評価の両方において,他のMRI再建法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-08-11T06:31:56Z) - Accelerating Cardiac MRI Reconstruction with CMRatt: An Attention-Driven Approach [8.904269561863103]
本研究の目的は,心画像再構成の文脈において,深層学習モデルに組み込まれた注意機構の未発達の可能性を探ることである。
我々の第一の目的は、U-Netのような畳み込みバックボーンモデルと統合した場合のアテンションアルゴリズムの強みと潜在的な制限を特定することである。
本稿では,心臓画像再構成の課題に特化して最適化された,シンプルで効果的な注目パイプラインを提案する。
論文 参考訳（メタデータ） (2024-04-10T11:47:51Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳（メタデータ） (2022-11-24T06:57:16Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z)
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。