論文の概要: Cross-Modal Generative Framework for Signal Translation from Fetal-Maternal Electrocardiograms to Fetal Doppler Waveforms

• arxiv url: http://arxiv.org/abs/2607.08073v1
• Date: Thu, 09 Jul 2026 03:04:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.400635
• Title: Cross-Modal Generative Framework for Signal Translation from Fetal-Maternal Electrocardiograms to Fetal Doppler Waveforms
• Title（参考訳）: 胎児心電図から胎児ドプラ波形への信号伝達のためのクロスモーダル・ジェネレーション・フレームワーク
• Authors: Tongli Su, Alireza Rafiei, Marly van Assen, Reza Sameni, Gari D. Clifford, Faezeh Marzbanrad, Nasim Katebi,
• Abstract要約: 胎児心電図(fECG)と超音波ドプラは胎児心血管機能の相補的な展望を提供する。 本稿では,母性心電図と自己注意を組み込むために,拡張畳み込みと相互注意を併用したクロスモーダル生成フレームワークを提案する。 本モデルでは,パワースペクトル密度平均二乗誤差(PSD MSE)49.9 +/- 15.8 dB2,心拍数誤差4.71 +/- 0.77 bpmでドップラー封筒を合成する。
• 参考スコア（独自算出の注目度）: 4.070472056834789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fetal electrocardiogram (fECG) and Doppler ultrasound provide complementary views of fetal cardiovascular function: fECG captures electrical activity while Doppler reflects mechanical hemodynamics shaped by factors such as placental resistance and vascular compliance. Understanding the recoverable and unrecoverable Doppler components through reconstruction from fECG offers insight into the relative contributions of electrical versus mechanical factors in fetal circulation, thereby informing clinical decisions. In addition, clinical evidence of maternal-fetal cardiac coupling suggests that maternal cardiovascular dynamics may also inform fetal hemodynamics. To computationally model these relationships, we propose a cross-modal generative framework combining dilated convolutions with cross-modal attention to selectively incorporate maternal ECG and self-attention to capture long-range temporal dependencies. Trained on 885 synchronized fetal/maternal ECG and Doppler envelope segments from 39 pregnancies, our model synthesizes Doppler envelopes with power spectral density mean squared error (PSD MSE) of 49.9 +/- 15.8 dB^2 (51% lower than two-channel baseline) and heart-rate error of 4.71 +/- 0.77 bpm (1.5% better than baseline; negligible relative to the 110-160 bpm physiological range). Cross-modal attention yields a 39% PSD MSE reduction over naive dual-channel concatenation, quantifying the contribution of maternal-fetal coupling. Our proposed framework advances computational modeling of the maternal-fetal cardiovascular system by enabling the synthesis of Doppler envelopes from dual-lead ECG. By analysis of both recoverable and residual Doppler components, this approach enables quantification of the purely mechanical contributions to Doppler waveforms -- those not recoverable from electrical recordings -- ultimately facilitating a more comprehensive fetal assessment.
• Abstract（参考訳）: 胎児心電図(fECG)と超音波ドプラ法(ドプラ法)は、胎盤抵抗や血管コンプライアンスなどの要因によって形成される機械的血行動態を反映しながら、胎児の心血管機能を補完する。 fECGの再建を通じて回復可能で保存不能なドップラー成分を理解することは、胎児循環における電気的要因と機械的要因の相対的寄与についての洞察を与え、臨床的な決定を下す。 また,母体と胎児の心臓の結合の臨床的証拠から,母体における心臓血管動態が胎児の血行動態に影響を及ぼす可能性が示唆された。 これらの関係を計算的にモデル化するために,拡張畳み込みと相互注意を組み合わせ,母性心電図と自己注意を選択的に組み込んで長期の時間的依存関係を捕捉するクロスモーダル生成フレームワークを提案する。 妊娠39例の胎児・母体心電図とドップラー封筒を同期させた885例を対象に, パワースペクトル密度平均二乗誤差 (PSD MSE) 49.9 +/- 15.8 dB^2 (2チャネルベースラインより51%低く, 心拍数4.71 +/- 0.77 bpm (ベースラインより1.5%, 110-160 bpmの生理領域と比較して無視できる) でドップラー封筒を合成した。 クロスモーダルアテンションは、ナイーブな二重チャネル結合よりも39%のPSD MSEを減少させ、母体と胎児のカップリングの寄与を定量化する。 両心電図からドップラー封筒を合成し,母体・胎児の心血管系をモデル化する手法を提案する。 回復可能なドップラー成分と残留するドップラー成分の両方の分析により、電気記録から回復できないドップラー波形に対する純粋に機械的な寄与の定量化が可能となり、最終的にはより包括的な胎児評価が促進される。

関連論文リスト

• PG-LRF: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation [51.79176059799321]
  フォトプレチスモグラフィーはウェアラブルではユビキタスであるが、ECG特有の診断形態は欠如している。 既存の手法は統計アライメントとデータ駆動生成に依存している。 生理的誘導型潜在フローフレームワークであるPG-LRFを提案する。
  論文  参考訳（メタデータ） (2026-05-09T07:39:58Z)
• Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos [53.368813255127115]
  既存の自己教師型手法は、ECGをシングルビューエコーに整列させることで、表現ミスマッチに悩まされる。 本稿では,心電図表現を多視点エコーで捉えることで,心電図表現を充実させるマルチモーダル自己教師型学習フレームワークであるEcho2ECGを提案する。 臨床的に関係のある2つの課題に対して,Echo2ECGをECG特徴抽出器として評価した。
  論文  参考訳（メタデータ） (2026-03-09T15:39:57Z)
• Dual-Phase Cross-Modal Contrastive Learning for CMR-Guided ECG Representations for Cardiovascular Disease Assessment [5.214355651899765]
  本稿では,心電図から臨床的に関連のある心臓表現型の抽出を改善するための対照的な学習フレームワークを提案する。 本稿では,心電図から画像由来の表現型を抽出し,特に機能パラメーターについて述べる。 この戦略により、ECGから画像由来の特徴をスケーラブルかつ費用効率良く抽出できる。
  論文  参考訳（メタデータ） (2026-02-13T12:34:28Z)
• Orientation-Robust Latent Motion Trajectory Learning for Annotation-free Cardiac Phase Detection in Fetal Echocardiography [6.991329014964486]
  ORBIT(Orientation-Robust Beat Inference from Trajectories, Orientation-Robust Beat Inference from Trajectories)は、胎児の心の向きによって手動のアノテーションなしで心臓の位相を識別する自己教師型フレームワークである。 ORBITは正常な胎児心エコービデオのみに訓練され、正常な心疾患と先天性心疾患の両方で一貫したパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-02-06T15:13:53Z)
• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer [41.095491708125515]
  低品質な信号を再構成し、記録されていない信号を合成するマルチモーダル拡散変換器UniCardioを提案する。 心臓血管信号の相補的な性質を生かして、UniCardioは、近年のタスク固有のベースラインよりも明らかに優れている。 これらのアドバンテージは、UniCardioをAI支援ヘルスケアの前進のための有望な道と位置づけている。
  論文  参考訳（メタデータ） (2025-05-28T12:45:39Z)
• A Novel Deep Learning Technique for Morphology Preserved Fetal ECG Extraction from Mother ECG using 1D-CycleGAN [3.4162369786064497]
  非侵襲性胎児心電図(fECG)は、発達中の心臓の異常を容易に検出することができる。 fECGの低振幅、系統的および周囲雑音、典型的な信号抽出法は、良好なfECGを生成できない。 本手法は1D CycleGANに基づいて,mECG信号からfECG信号を再構成する。 胎児の心拍数とR-R間隔長に対するソリューションの精度は、既存の最先端技術に匹敵するものである。
  論文  参考訳（メタデータ） (2023-09-25T19:38:51Z)
• Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using Deep Computational Models for Inverse Inference [6.447210290674733]
  シミュレーションされたQRSから脳梗塞の位置と分布を推定するために,二分岐変分オートエンコーダと推論モデルからなる新しい深部計算モデルを提案する。 感度分析により、脳梗塞の特徴と電気生理学的特徴との複雑な関係の理解が促進される。
  論文  参考訳（メタデータ） (2023-07-10T08:54:12Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Classification of Arrhythmia by Using Deep Learning with 2-D ECG Spectral Image Representation [3.3426603061273994]
  本稿では,ECG信号を8つのクラスに分類するための2次元(2次元)畳み込みニューラルネットワーク(CNN)モデルを提案する。 我々は,最新の平均分類精度99.11%を達成し,同種の不整脈の分類において,最近報告した結果より優れている。
  論文  参考訳（メタデータ） (2020-05-14T12:11:41Z)

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。