論文の概要: A novel unsupervised machine learning strategy to handle multimodal cardiac PET/MRI data

• arxiv url: http://arxiv.org/abs/2607.13936v1
• Date: Wed, 15 Jul 2026 15:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.820722
• Title: A novel unsupervised machine learning strategy to handle multimodal cardiac PET/MRI data
• Title（参考訳）: マルチモーダルPET/MRIデータを扱う新しい教師なし機械学習戦略
• Abstract要約: 不整脈性左室心筋症は,ゴールド基準の欠如により診断が困難である。 本研究は,患者間データリンクや地域分析を含むPET/MRIデータを扱うための方法論的戦略に焦点を当てた。
• 参考スコア（独自算出の注目度）: 1.0268153488662308
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Arrhythmogenic left ventricular cardiomyopathy is a genetic myocardial disease difficult to diagnose due to the lack of gold standard criteria. Simultaneous PET/MR imaging, combined with multiparametric quantitative analysis, could facilitate the identification of different profiles related to the phenotype and progression of cardiomyopathy. This preliminary study focuses on a methodological strategy for dealing with PET/MRI data, including inter-patient data linkage and regional analysis. Two-step clustering was applied to T1 and T2 maps, LGE, and 18F-FDG-PET images of 99 patients genetically diagnosed with arrhythmogenic left ventricular cardiomyopathy. Each patient's images were independently z-scored and summed into a single volume, which was clustered into supervoxels. Thirty-two inter-patient groups of supervoxels were obtained by spectral clustering. An "abnormality" score was assigned to each cluster and modality, and used to visualise abnormal regions likely associated with disease. They enabled the generation of automated textual and bullseye health reports for each patient, which were compared with cardiac imager assessments using balanced accuracy in repeated nested cross-validation. This approach was further validated on a larger cohort of 167 numerical phantoms. The reports generated by clustering accurately identified most of the cardiac physicians' observations (BA = 0.76 $\pm$ 0.04 in repeated nested cross-validation on patients, and BA $\ge$ 0.8 on phantoms). Furthermore, the identified abnormal clusters closely matched their visual observations, facilitating the identification of varying degrees of fibrosis or inflammation on the images. This approach enables a more systematic handling of multimodal PET/MRI data to characterise myocardial heterogeneity in arrhythmogenic left ventricular cardiomyopathy patients.
• Abstract（参考訳）: 不整脈性左室心筋症は、ゴールド基準の欠如により診断が難しい遺伝性心筋疾患である。 PET/MR同時撮影とマルチパラメトリック定量分析を併用することで, 心筋症の表現型および進行に関する異なるプロファイルの同定が容易となった。 本研究は,患者間データリンクや地域分析を含むPET/MRIデータを扱うための方法論的戦略に焦点を当てた。 不整脈性左室心筋症と診断された99例のT1, T2マップ, LGE, 18F-FDG-PET画像に2段階のクラスタリングを行った。 各患者の画像は独立してz-scoredされ、単一のボリュームにまとめられ、スーパーボクセルにまとめられた。 また, スペクトルクラスタリングにより, 患者間集団のスーパーボクセルを32個取得した。 異常」スコアは、各クラスタとモダリティに割り当てられ、疾患に関連する可能性のある異常領域の可視化に使用された。 また,各患者に対する自動的テキストおよびブルジール健康レポートの作成を可能にした。これは,繰り返しネストしたクロスバリデーションにおける平衡精度を用いた心画像検査と比較した。 このアプローチは167個の数値ファントムのより大きなコホート上でさらに検証された。 クラスタリングによって生成された報告は、心臓科医の観察のほとんどを正確に識別した(患者に対する反復的ネスト・クロスバリデーションでは、BA = 0.76$\pm$ 0.04、ファントムではBA $\ge$ 0.8)。 さらに、診断された異常なクラスターは視覚的観察と密接に一致し、画像上の線維症や炎症の度合いの異なる識別が容易になった。 このアプローチにより、不整脈性左室心筋症患者の心筋不均一性を特徴づけるマルチモーダルPET/MRIデータをより体系的に扱うことができる。

関連論文リスト

• BAAI Cardiac Agent: An intelligent multimodal agent for automated reasoning and diagnosis of cardiovascular diseases from cardiac magnetic resonance imaging [38.86018893974869]
  本稿では、エンド・ツー・エンドの心臓磁気共鳴(CMR)の解釈を目的としたマルチモーダル・インテリジェント・システムであるBAAI Cardiac Agentを提案する。 この薬剤は、専門的な心臓専門家モデルを統合し、心臓構造の自動セグメンテーション、機能的定量化、組織の特徴、および疾患の診断を行う。 本システムでは, 退行率, 脳卒中容積, 左室量などのコアパラメータについて, 臨床報告と極めて一致している。
  論文  参考訳（メタデータ） (2026-04-05T11:52:46Z)
• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
  FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。 はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。 伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-09-10T19:48:07Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• 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)
• Cardiac MRI Semantic Segmentation for Ventricles and Myocardium using Deep Learning [0.0]
  非侵襲的心臓診断は、心疾患の早期発見において重要な役割を担っている。 心臓画像のセマンティックセグメンテーションを改善するためのモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-18T00:54:30Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• A Deep Learning-Driven Pipeline for Differentiating Hypertrophic Cardiomyopathy from Cardiac Amyloidosis Using 2D Multi-View Echocardiography [10.098930200447583]
  肥大型心筋症 (HCM) と心アミロイドーシス (CA) はいずれも心不全に進展する。 本稿では,HCMとCAの鑑別に2次元心エコー図を用いた新しい多視点深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-04-25T11:27:58Z)
• Analysis of Digitalized ECG Signals Based on Artificial Intelligence and Spectral Analysis Methods Specialized in ARVC [0.0]
  不整脈性右室心筋症(英: arrhythmogenic right ventricular cardiomyopathy、ARVC)は、患者の2年目から4年目に発症する遺伝性心筋疾患である。 心電図(ECGs)に基づくこの疾患の有効かつ時間的診断は、早期の心血管死の減少に重要な役割を担っている。
  論文  参考訳（メタデータ） (2022-02-28T13:12:50Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• How well do U-Net-based segmentation trained on adult cardiac magnetic resonance imaging data generalise to rare congenital heart diseases for surgical planning? [2.330464988780586]
  先天性心疾患(TOF)患者における肺弁置換術の適応時期は, 主に心室容積と機能に基づく。 過去数年間のいくつかの大きな課題において、U-Netアーキテクチャは提供されたデータに対して印象的な結果を示している。 しかし、臨床実践においては、個々の病理や異なるスキャナー特性から派生した画像特性を考えると、データセットはより多様である。
  論文  参考訳（メタデータ） (2020-02-10T08:50:51Z)

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。