論文の概要: MR-JEPA: A General Purpose Video Foundation Model for Cardiac MRI

• arxiv url: http://arxiv.org/abs/2608.30975v1
• Date: Mon, 31 Aug 2026 15:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.485076
• Title: MR-JEPA: A General Purpose Video Foundation Model for Cardiac MRI
• Title（参考訳）: MR-JEPA : 心臓MRIのための汎用ビデオファンデーションモデル
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.245485191371703
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cardiac magnetic resonance imaging (CMR) produces rich sequential data such as temporal cine videos and spatial LGE/mapping stacks, yet most deep learning approaches process individual 2D slices, discarding this context. We present MR-JEPA, a self-supervised video foundation model for CMR that extends LeJEPA to 3D spatiotemporal inputs through tubelet tokenization, spatiotemporal masking augmentation, and initialization from a 2D CMR foundation model. Unlike prior CMR video models limited to cine data, MR-JEPA is pretrained on multi-sequence data (cine, LGE, mapping) from 10,505 patients across two centers without annotations. We evaluate the frozen encoder on six downstream tasks using a unified multi-view gated attention architecture: LV ejection fraction, RV ejection fraction, three myocardial strains (GLS, GCS, GRS), and four-class disease detection. MR-JEPA outperforms other compared methods on all five regression tasks, including both a domain-specific CMR model pretrained on more data with text supervision and a natural-video foundation model, achieving an LV EF MAE of 4.79% (r =0.764) and a GLS MAE of 1.87 (r=0.805), with 21-27% MAE reductions over baselines on strain tasks. For disease detection, MR-JEPA achieved a macro AUG of 0.868, remaining competitive with the domain-specific baseline despite using a fully self-supervised pretraining objective. These results demonstrate the potential of a unified video encoder for robust, multi-view utilization of diverse CMR sequences in clinical cardiac quantification and diagnosis.
• Abstract（参考訳）: 心臓磁気共鳴イメージング(CMR)は、時間的シネビデオや空間的LGE/マッピングスタックのようなリッチなシーケンシャルなデータを生成するが、ほとんどのディープラーニングアプローチは個々の2Dスライスを処理し、このコンテキストを破棄する。 MR-JEPAは2次元CMRファンデーションモデルから3次元の時空間入力をチューブレットトークン化、時空間マスキング増強、初期化により拡張するCMRのための自己監督型ビデオ基盤モデルである。 従来のCMRビデオモデルとは異なり、MR-JEPAはアノテーションなしで2つのセンターにまたがる10,505人の患者から、マルチシーケンスデータ(cine, LGE, mapping)に基づいて事前訓練されている。 LV放出率, RV放出率, 心筋3株(GLS, GCS, GRS), および4種類の病巣検出を併用し, マルチビューゲート型アテンションアーキテクチャーを用いた6つの下流タスクにおける凍結エンコーダの評価を行った。 MR-JEPAは、テキスト監督と自然ビデオ基盤モデルで事前訓練されたドメイン固有のCMRモデル、LV EF MAEの4.79%(r=0.764)、GLS MAEの1.87(r=0.805)、および21-27%(英語版)という5つの回帰タスクにおいて、他の比較手法よりも優れている。 疾患検出のためにMR-JEPAは0.868のマクロAUGを達成した。 これらの結果は、臨床心臓の定量化と診断における多様なCMR配列の堅牢かつ多視点利用のための統合ビデオエンコーダの可能性を示している。

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)
• Foundation Models Adaptation for Multi-View Multi-modal Cardiac MRI Segmentation and Direct Ejection Fraction Estimation [0.3957682607484472]
  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。
  論文  参考訳（メタデータ） (2026-08-07T14:48:51Z)
• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• Architecture-Agnostic Modality-Isolated Gated Fusion for Robust Multi-Modal Prostate MRI Segmentation [0.0]
  多重化前立腺MRIは、T2パラメトリック(T2W)、見かけ拡散係数(ADC)、高b値拡散強調(HBV)配列を組み合わせる。 実際には、拡散配列は、T2Wよりも、取得のばらつき、動き、アーティファクトの影響を受けることが多い。 我々は、学習ゲーティングステージの前に、個別のモダリティ固有の符号化ストリームを維持するために、Modality-Isolated Gated Fusion (MIGF)を提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:54:21Z)
• Scaling Video Pretraining for Surgical Foundation Models [51.92777479821822]
  SurgRecは、スケーラブルで再現可能な、外科的ビデオ理解のための事前学習のレシピだ。 内視鏡,腹腔鏡,白内障,ロボット手術を対象とする10,535ビデオと214.5Mフレームの大規模なコーパスをキュレートした。
  論文  参考訳（メタデータ） (2026-03-31T16:31:25Z)
• PRISM: Performer RS-IMLE for Single-pass Multisensory Imitation Learning [51.24484551729328]
  PRISMは,IMLEのバッチ・グロバル・リジェクション・サンプリングに基づく単一パスポリシーである。 PRISMは、Performerアーキテクチャを用いた線形アテンション発生器と時間的マルチセンサエンコーダを結合する。 7-DoFアームD1を搭載したUnitree Go2を用いたロコマニピュレーションやUR5マニピュレータを用いたテーブルトップ操作など,PRISMの有効性を実証する。
  論文  参考訳（メタデータ） (2026-02-02T17:57:37Z)
• 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)
• Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI [0.0]
  MRIにおける腫瘍体積のセグメンテーションは困難で時間を要するプロセスである。 本研究は,頭部および頸部腫瘍のMRI画像における自動デライン化へのアプローチを示す。 本研究の目的は,医学的セグメンテーションタスクで一般的に使用される構成の改善を提案することである。
  論文  参考訳（メタデータ） (2025-01-09T10:22:35Z)
• Deep Learning for Longitudinal Gross Tumor Volume Segmentation in MRI-Guided Adaptive Radiotherapy for Head and Neck Cancer [4.358109501717511]
  頭頸部癌に対するMRI誘導適応放射線療法(MRgART)には,GTVの正確なセグメンテーションが不可欠である。 本研究では,放射線前療法 (pre-RT) と中放射線中療法 (mid-RT) の併用が課題である。 我々はMRgARTにおけるGTVセグメンテーションを促進するためのDLモデルのコレクションを提示し,放射線オンコロジーの合理化の可能性を示した。
  論文  参考訳（メタデータ） (2024-12-01T03:57:18Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Deep Learning Estimation of Multi-Tissue Constrained Spherical Deconvolution with Limited Single Shell DW-MRI [2.903217519429591]
  深層学習は、第8次制約付き球面デコンボリューション(CSD)によって得られた情報内容を推定するために用いられる。 2つのネットワークアーキテクチャについて検討する: 中央に残留ブロックを持つ完全連結層からなる逐次ネットワーク(ResDNN)と、残ブロックを持つパッチベースの畳み込みニューラルネットワーク(ResCNN)。 繊維配向分布関数 (fODF) はマルチシェルDW-MRIの取得から得られたMT-CSTの基底的真実と比較して高い相関で復元できる。
  論文  参考訳（メタデータ） (2020-02-20T15:59:03Z)

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。