論文の概要: Domain Shift in Echocardiography: Interpretable Quantification and Prediction of Cross-Dataset Left Ventricular Segmentation

• arxiv url: http://arxiv.org/abs/2607.19643v1
• Date: Wed, 22 Jul 2026 00:48:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.944448
• Title: Domain Shift in Echocardiography: Interpretable Quantification and Prediction of Cross-Dataset Left Ventricular Segmentation
• Title（参考訳）: 心エコー図における領域シフト : 経時的左室分画の定量化と予測
• Authors: Soroush Elyasi, Nasim Dadashi Serej, Julie Wall, Massoud Zolgharni,
• Abstract要約: 心エコー図による左室分画の臨床的展開には, クロスデータセットの一般化が大きな障壁となっている。 超音波ディスクリプタ,VOE潜時特徴,セグメンテーション由来潜時特徴を用いて,展開前に転写劣化を推定できるかどうかを検討した。
• 参考スコア（独自算出の注目度）: 0.5599792629509228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-dataset generalisation remains a major barrier to clinical deployment of echocardiographic left ventricular segmentation, yet the sources of this shift are rarely disentangled. We examined whether transfer degradation could be estimated before deployment using handcrafted ultrasound descriptors, VAE latent features, and segmentation-derived latent features across six echocardiographic datasets. Geometry-aware preprocessing substantially improved several poor transfer cases, suggesting that much of the apparent domain shift reflects field-of-view and framing inconsistencies rather than intrinsic acoustic differences alone. Intensity z-normalisation changed dataset separability by less than 0.005, indicating that brightness and contrast are not the dominant shift axis. Absolute Dice drop on held-out source-target pairs was predicted with an R-squared value of 0.612, an MAE of 0.082, and a Spearman rho of 0.681. The variant without LV and fan-shaped features retained approximately 70% of this explanatory power, supporting mask-free transfer-risk monitoring. The most informative discrepancy measure depended on the representation, with CMD strongest in z-normalised handcrafted features, with an absolute r of approximately 0.86 and an R-squared value of approximately 0.70; log-Wasserstein strongest in VAE space, with an r of approximately -0.90 and an R-squared value of approximately 0.81; and log-MMD strongest in LV-segmentation latent features, with an r of approximately -0.92 and an R-squared value of approximately 0.84. Apparent vendor effects were largely dataset-confounded. Echocardiographic domain shift is therefore structured and measurable, and its impact on segmentation can be partly reduced through geometry-aware preprocessing and anticipated using representation-specific transfer-risk estimation.
• Abstract（参考訳）: 心エコー図による左室分画の臨床的展開には, クロスデータセットの一般化が大きな障壁となっているが, この変化の源泉は稀である。 手作り超音波ディスクリプタ,VOE潜時特徴,心エコー画像データセットのセグメンテーションによる潜時特徴を用いて,手作り超音波ディスクリプタの展開前に転写劣化を推定できるかどうかを検討した。 幾何認識による事前処理はいくつかの低転送事例を大幅に改善し, 明らかに領域シフトの大部分は, 内在的な音響的差異だけでなく, 視野やフレーミングの不整合を反映していることが示唆された。 強度z-正規化はデータセット分離性を0.005以下に変更し、明るさとコントラストが支配的なシフト軸ではないことを示した。 ソース・ターゲット対の絶対Dice降下は、R2乗値0.612、MAE0.082、Spearman rho 0.681で予測された。 LVとファン型の特徴を持たない派生型は、この説明力の約70%を保持し、マスクフリーのトランスファーリスクモニタリングをサポートした。 最も情報的な不一致の指標は、z-正規化特徴においてCMDが最強、絶対rが約0.86、R-2乗値が約0.70、対数ワッサーシュタインが約0.90、R-2乗値が約0.81、対数MMDが約0.92、R-2乗値が約0.84、といった表現に依存する。 ベンダーのエフェクトはほとんどがデータセットで構築されたものだ。 したがって、エコー心電図領域シフトは構造化され測定可能であり、そのセグメンテーションへの影響は幾何認識前処理によって部分的に低減され、表現特異的転送リスク推定を用いて予測される。

関連論文リスト

• Shape Over Intensity: Directional Topological Encoding for False Positive Reduction in Intracranial Aneurysm Detection [0.0]
  CTアンギオグラフィーによる頭蓋内動脈瘤(IAs)の自動検出は,偽陽性率が高いことによる重篤な障害である。 SECT(Smooth Euler Characteristics Transform)を評価するプラグイン・アンド・プレイ・トポロジ対応の偽陽性削減フレームワークを提案する。 SECTは、方向認識法(AUC 0.68)よりもかなり優れた0.943のAUCを達成し、臨床成績の逆転を示す。
  論文  参考訳（メタデータ） (2026-07-06T16:56:17Z)
• Exploring Prompt Alignment with Clinical Factors in Zero-Shot Segmentation VLMs for NSCLC Tumor Segmentation [0.05597620745943382]
  ゼロショット視覚言語モデル (Zero-shot Vision-Language Model, VLMs) は、腫瘍容積のデライン化のためのタスク特化トレーニングに代わる、迅速な代替手段を提供する。 我々は,VoxTell内腫瘍データセットのアライメント方向について検討した。 アライメント分析により、解剖学的位置がVoxTellの空間的注意の主役であることが判明した。
  論文  参考訳（メタデータ） (2026-05-02T05:49:32Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• 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)
• Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
  気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
  論文  参考訳（メタデータ） (2022-09-17T15:47:01Z)
• LU-Net: a multi-task network to improve the robustness of segmentation of left ventriclular structures by deep learning in 2D echocardiography [6.633387219468496]
  本稿では,心臓のセグメンテーションの全体的な精度を向上させるために,エンドツーエンドのマルチタスクネットワークを提案する。 大規模なオープンアクセスデータセットから得られた結果から,本手法が現在最高のディープラーニングソリューションより優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-04T23:07:53Z)

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。