Fugu-MT 論文翻訳(概要): Learning from Scarce Labels: Multi-View Echocardiography for Ejection Fraction Prediction

論文の概要: Learning from Scarce Labels: Multi-View Echocardiography for Ejection Fraction Prediction

arxiv url: http://arxiv.org/abs/2609.02969v1
Date: Wed, 02 Sep 2026 09:13:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-04 18:28:38.808823
Title: Learning from Scarce Labels: Multi-View Echocardiography for Ejection Fraction Prediction
Title（参考訳）: スカースラベルからの学習:エジェクションフラクション予測のための多視点心エコー図法
Abstract要約: 心エコー法(PLAX)から左室流出率(EF)を予測するための初回公開資料を報告する。臨床ノートと心エコービデオの時間的相関を利用して、25,000本以上のPLAXビデオのラベル付きデータセットを作成しました。これにより、最初の再現可能なPLAX EFモデルをトレーニングでき、平均絶対誤差(MAE)は6.86%に達する。
参考スコア（独自算出の注目度）: 1.0079097246843836
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present, to the best of our knowledge, the first publicly available resource for predicting left ventricular ejection fraction (EF) from parasternal long-axis (PLAX) echocardiography. Because no PLAX-EF datasets previously existed, our work focuses on an innovative data generation strategy to overcome this scarcity. By leveraging a time-based correlation between clinical notes and echocardiographic videos, combined with fine-tuning view classifiers and proxy labeling, we created a labeled dataset of over 25,000 PLAX videos. This enables us to train the first reproducible PLAX EF model, achieving a mean absolute error (MAE) of 6.86%. Given that apical four-chamber (A4C) methods, the clinical standard, report MAE values of 6%-7%, our results demonstrate that EF estimation from PLAX views is both feasible and clinically relevant. This surpasses the performance of existing methods and provides a clinically relevant solution for situations where apical views may not be feasible. Going further, we demonstrate that combining PLAX and A4C predictions via simple unweighted late fusion improves both single-view baselines to a 6.37% MAE, underscoring the value of multi-view integration. To promote continued research, we release the dataset labels, trained models, and runnable demos on GitHub, Hugging Face, and Google Colab: https://github.com/Jeffrey4899/PLAX_EF_Labels_202509
Abstract（参考訳）: 心エコー図(PLAX)から左室放出分画率(EF)を予測するための初回公開資料を報告した。 PLAX-EFデータセットは存在しなかったので、この不足を克服するための革新的なデータ生成戦略に重点を置いています。臨床ノートと心エコービデオの時間的相関を利用して、微調整ビュー分類器とプロキシラベリングを組み合わせることで、25,000本以上のPLAXビデオのラベル付きデータセットを作成した。これにより、最初の再現可能なPLAX EFモデルをトレーニングでき、平均絶対誤差(MAE)は6.86%に達する。臨床基準であるA4C法では,MAEの6%～7%が報告されていることから,PLAXの視点によるEF推定は有意かつ臨床的に有意であることが示された。これは既存の手法の性能を超越し、根治的視点が実現不可能な状況に対して臨床的に関連性のある解決策を提供する。さらに、PLAXとA4Cの予測を単純な非重み付きレイトフュージョンで組み合わせることで、シングルビューベースラインを6.37%のMAEに改善し、マルチビュー統合の価値を裏付けることを示した。継続的な研究を促進するため、GitHub、Hugging Face、Google Colabでデータセットラベル、トレーニングされたモデル、実行可能なデモをリリースしました。

関連論文リスト

EchoLVFM: One-Step Video Generation via Latent Flow Matching for Echocardiogram Synthesis [1.703077957571322]
本稿では,1段階の遅延ビデオフローマッチングフレームワークであるEchoLVFMを紹介する。潜時空間で動作するEchoLVFMは、時間的にコヒーレントなビデオを単一の推論ステップで合成する。その結果、競争力のあるビデオ品質、強いEFの定着、および専門医による57.9%の識別精度が示された。
論文参考訳（メタデータ） (2026-03-14T14:39:09Z)
ControlEchoSynth: Boosting Ejection Fraction Estimation Models via Controlled Video Diffusion [12.459487400882068]
エコービューを合成して臨床診断精度を高めるための新しい手法を提案する。これらの視点は、既存の心のリアルな視点に基づいており、射出率(EF)の推定に特に焦点を当てている。予備的な結果は、我々の合成エコーが、既存のデータセットを増強するために使用される場合、EF推定を向上するだけでなく、より堅牢で正確で臨床的に関連する機械学習モデルの開発を進める可能性も示している。
論文参考訳（メタデータ） (2025-08-25T03:27:25Z)
Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
論文参考訳（メタデータ） (2023-05-03T09:38:52Z)
Unified Visual Relationship Detection with Vision and Language Models [89.77838890788638]
この研究は、複数のデータセットからラベル空間の結合を予測する単一の視覚的関係検出器のトレーニングに焦点を当てている。視覚と言語モデルを活用した統合視覚関係検出のための新しいボトムアップ手法UniVRDを提案する。人物体間相互作用検出とシーングラフ生成の双方による実験結果から,本モデルの競合性能が示された。
論文参考訳（メタデータ） (2023-03-16T00:06:28Z)
End-to-End Zero-Shot HOI Detection via Vision and Language Knowledge Distillation [86.41437210485932]
我々は、ゼロショットHOI検出を前進させ、同時に見えないHOIと見えないHOIの両方を検出することを目指している。本稿では,視覚言語による知識蒸留によるエンドツーエンドのゼロショットHOI検出フレームワークを提案する。本手法は, 従来のSOTAを8.92%, 全体の10.18%で上回っている。
論文参考訳（メタデータ） (2022-04-01T07:27:19Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文参考訳（メタデータ） (2020-12-23T14:38:35Z)
PS-DeVCEM: Pathology-sensitive deep learning model for video capsule endoscopy based on weakly labeled data [0.0]
本稿では, ビデオカプセル内視鏡(VCE)データを用いて, フレームレベルの異常検出と大腸疾患の多ラベル分類を行うための, 病因性深層学習モデル(PS-DeVCEM)を提案する。我々のモデルは注目に基づく深層マルチインスタンス学習によって駆動され、弱いラベル付きデータでエンドツーエンドに訓練されている。トレーニング中にフレームアノテーション情報を使わずに、時間的にフレームを病状でローカライズする能力を示す。
論文参考訳（メタデータ） (2020-11-22T15:33:37Z)
ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文参考訳（メタデータ） (2020-06-24T04:05:12Z)
Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文参考訳（メタデータ） (2020-05-18T09:36:51Z)
Simultaneous imputation and disease classification in incomplete medical datasets using Multigraph Geometric Matrix Completion (MGMC) [37.160335232396406]
我々は,Multigraph Geometric Matrix Completionを用いて,不完全な医療データセットのインプットと疾患予測のエンドツーエンド学習を提案する。我々は,最先端の手法と比較して,分類と計算性能の観点から,提案手法の優位性を実証的に示す。
論文参考訳（メタデータ） (2020-05-14T13:11:35Z)

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。