論文の概要: A Unified DINOv2-Based Framework for LVEF Estimation, GLS Dysfunction Classification, and Early Cardiotoxicity Prediction

• arxiv url: http://arxiv.org/abs/2608.14750v1
• Date: Fri, 14 Aug 2026 02:46:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.063829
• Title: A Unified DINOv2-Based Framework for LVEF Estimation, GLS Dysfunction Classification, and Early Cardiotoxicity Prediction
• Title（参考訳）: LVEF推定, GLS機能異常分類, 早期心毒性予測のための統合型DINOv2ベースフレームワーク
• Abstract要約: 左室容積率推定,GLSによる機能障害分類,早期心筋毒性予測は,心筋腫瘍診査における相補的情報を提供する。 DINOv2ベースのフレームワークをタスク固有のアダプテーションと予測ヘッドで採用する。 237人の患者から1,203本のトレーニングビデオと59人の独立した患者から300本のバリデーションビデオを含む患者レベルのスプリットでは、AUC-ROCが5.03%、AUC-ROCが76.48%、AUC-ROCが70。
• 参考スコア（独自算出の注目度）: 9.254921162350522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Left ventricular ejection fraction (LVEF) estimation (Task 1), global longitu-dinal strain (GLS)-based dysfunction classification (Task 2), and early cardi-otoxicity prediction (Task 3) provide complementary information for cardio-oncology assessment. LVEF reflects macroscopic ventricular volume chang-es as the clinical standard, whereas GLS captures subtle myocardial defor-mation, indicating subclinical cardiotoxicity before overt LVEF decline. Fur-thermore, predicting cardiotoxicity from baseline echocardiography prior to treatment enables preventive interventions at an early stage. To address these three tasks, we employ a DINOv2-based framework with task-specific adap-tation and prediction heads. Built upon a frozen foundation encoder, the framework incorporates parameter-efficient Low-Rank Adaptation (LoRA) and temporal aggregation to learn task-specialized representations, ensuring robust generalization. Crucially, during inference, it operates in a fully cycle-detection-free and phase-free manner, requiring neither cardiac cycle seg-mentation nor explicit End-Diastolic/End-Systolic (ED/ES) annotations. Ad-ditionally, we introduce an ED/ES-guided 2D/3D hybrid multi-view regres-sion model specifically to optimize Task 1. On a patient-level split containing 1,203 training videos from 237 patients and 300 validation videos from 59 independent patients, the DINOv2-based framework achieved a mean abso-lute error (MAE) of 5.03% for Task 1, an AUC-ROC of 76.48% for Task 2, and an AUC-ROC of 70.26% for Task 3. For Task 1, the specialized ED/ES-guided model further improves performance, achieving an MAE of 4.64%. This framework demonstrates the effectiveness of foundation model repre-sentations across diverse cardio-oncology tasks and the additional benefit of physiology-guided modeling for accurate LVEF estimation.
• Abstract（参考訳）: 左室放出率 (LVEF) の推定値 (Task1) , GLSによる機能障害分類 (Task2) , 早期心筋毒性予測 (Task3) は, 心臓腫瘍診断のための相補的情報を提供する。 LVEFは心室容積シャンゼを臨床標準として反映するが,GLSは軽微な心筋減圧を捉え,LVEF低下前の心機能低下を示唆する。 Fur-themore, predicting cardiotoxicity from baseline echocardiography before treatmentにより早期に予防的介入が可能となる。 これら3つの課題に対処するために、DINOv2ベースのフレームワークを使用し、タスク固有のアダプテーションと予測ヘッドを用いる。 凍結基盤エンコーダに基づいて構築されたこのフレームワークは、パラメータ効率の低いローランド適応(LoRA)と時間的アグリゲーションを組み、タスク特殊化表現を学習し、堅牢な一般化を保証する。 心サイクルのセグメンテーションも明示的なEnd-Diastolic/End-Systolic(ED/ES)アノテーションも必要としない。 ED/ES-guided 2D/3D hybrid multi-view regres-sion model を導入し、タスク1を最適化する。 237人の患者から1,203本のトレーニングビデオと59人の独立した患者から300本のバリデーションビデオを含む患者レベルで、DINOv2ベースのフレームワークは、タスク1で5.03%、タスク2で76.48%、タスク3で76.48%、AUC-ROCで70.26%の平均アブソリュートエラー(MAE)を達成した。 Task 1では、ED/ES誘導モデルによりパフォーマンスが向上し、MAEは4.64%向上した。 本枠組みは, 各種心-腫瘍学タスクにおける基礎モデル再帰の効果と, 正確なLVEF推定のための生理学誘導モデリングのメリットを実証するものである。

関連論文リスト

• SV-Cine: Diagnosis-Conditioned Segmentation of Single Ventricle Physiology via Generative Data Augmentation [8.00573700660471]
  SVP(Single Ventricle Physiology)は、単一の機能心室の存在を特徴とする先天性心疾患の稀な亜型である。 SVPに適した心室および心筋セグメンテーションに焦点を当てた心臓MRIセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-11T15:59:06Z)
• Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU [44.313512671851306]
  軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。 本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T16:33:07Z)
• EchoRisk: A Multicentre Echocardiography Dataset and Benchmark for Cardio-Oncology [1.1201128439299002]
  治療によって引き起こされる心筋毒性は、乳がん患者の治療中断の主導的な非癌学的原因である。 心毒性ラベルを明示した,初回キュレート・多心エコー画像データセットであるEchoRiskについて紹介する。 このデータセットは、欧州連合(EU)が支援するCARDIOCARE(カルドIOCARE)に登録した422人の患者からなる。
  論文  参考訳（メタデータ） (2026-07-01T15:05:10Z)
• A Latent ODE Approach to Spatiotemporal Modeling of Cine Cardiac MRI [35.84205082882139]
  両心室解剖とフルサイクルシネ運動を連続的軌跡として符号化する潜在力学モデルを提案する。 循環器疾患を伴わない英国バイオバンク72,386名を対象に,心不全367例を含む調査を行った。
  論文  参考訳（メタデータ） (2026-06-25T07:53:45Z)
• Biosignal Fingerprinting: A Cross-Modal PPG-ECG Foundation Model [30.913143342078612]
  生体信号指紋は、患者の心臓血管状態をモダリティに依存しないプライバシー保護形態でコードする。 7つの下流タスク、クロスモーダル再構築、心臓血管疾患分類、高血圧検出、死亡予測、および人口動態予測、生体信号指紋が競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-10T14:40:58Z)
• CardioMOD-Net: A Modal Decomposition-Neural Network Framework for Diagnosis and Prognosis of HFpEF from Echocardiography Cine Loops [4.50720422463361]
  保存放出分画(HFpEF)による心不全は、様々な相同性から発生し、長期のサブクリニカル段階を経て進行する。 現在の心エコー法に基づく人工知能(AI)モデルは、主にヒトにおけるバイナリHFpEF検出に焦点を当てている。 我々は,HFpEFオンセットのマルチクラス診断と連続予測を行うための統合AIフレームワークであるCardioMOD-Netを開発した。
  論文  参考訳（メタデータ） (2026-01-03T12:41:14Z)
• Conditional Diffusion Model with Anatomical-Dose Dual Constraints for End-to-End Multi-Tumor Dose Prediction [13.716930604289924]
  ADDiff-Doseは、エンドツーエンドの多腫瘍量予測のための解剖学的二重制約拡散モデルである。 マルチヘッドアテンション機構を介して条件特徴を組み込み、MSE、条件項、KLの発散を組み合わせた複合損失関数を利用する。 従来のベースラインよりも大幅に優れており、MAEは0.101-0.154、DICE係数は0.927、脊髄最大線量誤差は0.1Gyに制限されている。
  論文  参考訳（メタデータ） (2025-08-04T04:25:47Z)
• 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)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
  ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。 AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
  論文  参考訳（メタデータ） (2024-02-16T18:51:42Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• 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。