論文の概要: Foundation Models Adaptation for Multi-View Multi-modal Cardiac MRI Segmentation and Direct Ejection Fraction Estimation

• arxiv url: http://arxiv.org/abs/2608.07291v1
• Date: Fri, 07 Aug 2026 14:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.534723
• Title: Foundation Models Adaptation for Multi-View Multi-modal Cardiac MRI Segmentation and Direct Ejection Fraction Estimation
• Title（参考訳）: マルチビューマルチモーダル心臓MRI分割と直接射出率推定のための基礎モデル適応
• Abstract要約: 基礎モデルは心臓MRI(CMR)において強い伝達性を示してきたが、その不均一なマルチビューとマルチシーケンス解析に対する効果はいまだ不明である。 ユニバーサルマルチシーケンス, マルチセンター, マルチビューCMR(CMR-Multi)チャレンジにおいて, 各種CMRファンデーションモデルを微調整し, 組み合わせることの有効性について検討する。
• 参考スコア（独自算出の注目度）: 0.3957682607484472
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Foundation models have shown strong transferability in cardiac MRI (CMR), but their effectiveness for heterogeneous multi-view and multi-sequence CMR analysis remains unclear. In this work, we explore the effectiveness of fine-tuning and combining different CMR foundation models for the Universal Multi-Sequence, Multi-Center and Multi-View CMR Segmentation (CMR-Multi) Challenge. CineMA was fine-tuned for cine and late gadolinium enhancement (LGE) segmentation across short-axis and long-axis views. For direct left-ventricular ejection fraction (LVEF) estimation, we used two recent frozen CMR foundation models to extract embedding vectors that were then combined using attention-based multiple-instance learning for LVEF regression. In the challenge validation set, cine segmentation achieved Dice scores of 0.862, 0.883, and 0.902 for short-axis, two-chamber and four-chamber cine MRI, respectively. LGE segmentation achieved Dice scores between 0.621 and 0.846 across views. The direct LVEF regression model achieved an MAE of 4.96 percentage points and a Pearson correlation of 0.91. These results indicate that foundation models can be effectively adapted and combined for multi-view CMR analysis, while accurate LGE scar segmentation remains a challenging task.
• Abstract（参考訳）: 基礎モデルでは, 心臓MRI (CMR) に強い転写能が認められたが, ヘテロジニアス・マルチビューおよびマルチシーケンスCMR解析の有効性は明らかになっていない。 本研究では,CMR-Multi (Universal Multi-Sequence, Multi-Center and Multi-View CMR Segmentation, CMR-Multi) Challengeにおいて,様々なCMR基盤モデルの微調整と組み合わせの有効性について検討する。 CineMAは, 短軸, 長軸の視野で, シンおよび後期ガドリニウム増強(LGE)セグメンテーションを微調整した。 直接左室放出率(LVEF)推定には,最近凍結した2つのCMR基礎モデルを用いて,LVEF回帰のための注意ベース多重インスタンス学習を用いて埋め込みベクトルを抽出した。 課題検証セットでは,Diceスコアが0.862,0.883,0.902,2チャンバー,4チャンバーMRIがそれぞれ達成された。 LGEセグメンテーションはDiceのスコアを0.621から0.846のビューで達成した。 直接LVEF回帰モデルでは、MAEは4.96ポイント、ピアソン相関は0.91。 これらの結果から, 基礎モデルを多視点CMR解析に効果的に適応・組み合わせることができる一方で, 正確なLGEスカーセグメンテーションは難しい課題であることがわかった。

関連論文リスト

• CMRVision: A Foundation Model for Cardiac MR Image Analysis [21.180056139848528]
  我々は、DINOv3スタイルの自己教師型学習を用いて訓練されたCMR固有の基礎モデルであるCMRVisionを紹介する。 CMRVisionは、シネ間でのマルチタスクセグメンテーション、後期ガドリニウム増強(LGE)、マッピングシーケンスの2つの下流タスクで評価される。 実験の結果、CMR固有の事前トレーニング、パッチサイズ、パッチレベルの目標がダウンストリーム性能を継続的に改善していることが判明した。
  論文  参考訳（メタデータ） (2026-09-01T14:34:30Z)
• MR-JEPA: A General Purpose Video Foundation Model for Cardiac MRI [21.245485191371703]
  CMRのための自己教師型ビデオ基盤モデルMR-JEPAを提案する。 従来のCMRビデオモデルとは異なり、MR-JEPAはシーケンシャルなマルチシーケンスデータに基づいて事前訓練される。
  論文  参考訳（メタデータ） (2026-08-31T15:36:24Z)
• Automated Prostate Gland Segmentation in MRI Using nnU-Net [0.14777718769290524]
  本稿では, nnUNet v2 フレームワークを用いた前立腺自動分節のためのディープラーニングに基づく専用アプローチを提案する。 提案したモデルでは、クロスバリデーションでは平均Diceスコアが0.96+/-0.00、外部テストセットでは0.82となり、ドメインシフトにもかかわらず強い一般化が示された。
  論文  参考訳（メタデータ） (2026-04-02T12:28:03Z)
• Vision Foundation Models Can Be Good Tokenizers for Latent Diffusion Models [45.63522160275318]
  Vision Foundation Model Variational Autoencoder (VFM-VAE) は、VFMのセマンティックフォーカスとピクセルレベルの忠実さの必要性の間の固有の緊張を解決するために設計された。 我々のシステムは80エポックで2.20のgFID(w/o CFG)に達する(先行トークン化器の10倍の高速化)。
  論文  参考訳（メタデータ） (2025-10-21T09:30:45Z)
• Large Scale Diffusion Distillation via Score-Regularized Continuous-Time Consistency [60.74505433956616]
  連続時間一貫性モデル(sCM)は理論的に原理化され、学術規模の拡散を加速するために実証的に強力である。 まず並列性互換なFlashAttention-2 JVPカーネルを開発し、100億以上のパラメータと高次元ビデオタスクを持つモデル上でsCMトレーニングを可能にする。 本稿では, スコア蒸留を長軸正則化器として組み込んだスコア規則化連続時間一貫性モデル(rCM)を提案する。
  論文  参考訳（メタデータ） (2025-10-09T16:45:30Z)
• 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)
• Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
  心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。 この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-09-24T13:33:46Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
  このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。 明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
  論文  参考訳（メタデータ） (2024-05-10T13:15:42Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• Deep Learning Framework with Multi-Head Dilated Encoders for Enhanced Segmentation of Cervical Cancer on Multiparametric Magnetic Resonance Imaging [0.6597195879147557]
  T2強調核磁気共鳴画像(MRI)と拡散強調画像(DWI)は頸部がん診断に欠かせない要素である。 拡張畳み込みと共有残差接続を多パラメータMRI画像の分離符号化に用いる新しいマルチヘッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T19:41:21Z)
• Cardiac Segmentation on Late Gadolinium Enhancement MRI: A Benchmark Study from Multi-Sequence Cardiac MR Segmentation Challenge [43.01944884184009]
  本稿では,MII 2019とともに,Multi-Sequence MR (MS-CMR) チャレンジの選択的結果を示す。 新しいアルゴリズムを開発し、LGE CMRセグメンテーションのための既存のアルゴリズムをベンチマークし、客観的に比較することを目的としていた。 これらの手法の成功は主に、MS-CMR画像からの補助的配列を含むことによる。
  論文  参考訳（メタデータ） (2020-06-22T17:04:38Z)
• 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)

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。