Fugu-MT 論文翻訳(概要): Myocardial Strain Drift Correction in Deep Learning Based Ultrasound Tracking

論文の概要: Myocardial Strain Drift Correction in Deep Learning Based Ultrasound Tracking

arxiv url: http://arxiv.org/abs/2609.09577v1
Date: Wed, 09 Sep 2026 00:58:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.860208
Title: Myocardial Strain Drift Correction in Deep Learning Based Ultrasound Tracking
Title（参考訳）: 深層学習による超音波追跡における心筋ひずみドリフト補正
Authors: Thierry Judge, Nicolas Duchateau, Andreas Østvik, Havard Dalen, Bjørnar Grenne, Pierre-Yves Courand, Lasse Lovstakken, Pierre-Marc Jodoin, Olivier Bernard,
Abstract要約: 心エコー法による心筋病変は心機能にとって重要なバイオマーカーである。近年の深層学習法は、心筋運動追跡に強い性能を示すが、生理的制約を欠くことが多い。本稿では,心筋追跡中のドリフトを補償するディープラーニングフレームワークを提案する。
参考スコア（独自算出の注目度）: 2.4761011337187413
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Myocardial strain from echocardiography is a key biomarker for cardiac function. Recent deep learning methods show strong performance for myocardial motion tracking but often lack physiological constraints, leading to temporal drift across the cardiac cycle. Consequently, tracked points may not return to their relative initial positions at the end of each cardiac cycle, producing inaccurate strain estimates and even divergence in some cases. We propose a deep learning framework that compensates for drift during myocardial tracking. We extend a state-of-the-art echocardiographic tracking method (TAS-Net) with persistent memory tokens that share information across sliding windows over full cardiac cycles. A teacher-student fine-tuning strategy on real echocardiographic data then enforces physiologically consistent cyclic motion while preserving tracking accuracy. Experiments show reduced global and regional strain drift, improved agreement with clinical references, and better test-retest reproducibility, supporting more reliable myocardial strain estimation in clinical practice.
Abstract（参考訳）: 心エコー法による心筋病変は心機能にとって重要なバイオマーカーである。近年の深層学習法は、心臓運動追跡に強い性能を示すが、生理的制約がしばしば欠如しており、心臓周期の時間的ドリフトにつながる。その結果、追跡された点はそれぞれの心周期の終わりに相対的な初期位置に戻ることができず、不正確なひずみ推定や、場合によってはばらつきも生じる。本稿では,心筋追跡中のドリフトを補償するディープラーニングフレームワークを提案する。心エコー追跡法(TAS-Net)を拡張し,スライディングウインドウ間での情報を全循環で共有する永続的メモリトークンを提案する。実際の心エコーデータに対する教師による微調整戦略は、追跡精度を保ちながら生理的に一貫した循環運動を強制する。臨床的基準との整合性が向上し,再現性が向上し,より信頼性の高い心筋病変推定が可能となった。

関連論文リスト

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)
CardioMorphNet: Cardiac Motion Prediction Using a Shape-Guided Bayesian Recurrent Deep Network [3.1848596170835854]
CardioMorphNetは、短軸画像を用いた3次元心臓形状誘導変形登録のためのベイズ学習フレームワークである。心臓運動推定における優れた性能を示し、最先端の手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2025-08-28T12:58:14Z)
Taming Modern Point Tracking for Speckle Tracking Echocardiography via Impartial Motion [0.686108371431346]
本研究は, 超音波検査における最先端点追跡法の可能性について検討し, 心エコー検査に焦点をあてる。実際のBモード超音波ビデオにおいて心臓の周期を通しての運動を解析することにより、方向運動バイアスが既存のトレーニング戦略に影響を与えていることを同定する。偏見を低減し, 心臓運動による一般化とロバスト性の向上を図った。
論文参考訳（メタデータ） (2025-07-14T10:18:26Z)
Recovering Pulse Waves from Video Using Deep Unrolling and Deep Equilibrium Models [45.94962431110573]
カメラによるバイタルサインのモニタリング、つまりイメージング光胸腺撮影(i)は、運転監視、情動コンピューティングなどに応用されている。本稿では,逆問題における信号処理と深層学習を組み合わせた手法を提案する。
論文参考訳（メタデータ） (2025-03-21T16:11:21Z)
Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
論文参考訳（メタデータ） (2024-12-23T13:05:17Z)
Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
Unsupervised 4D Cardiac Motion Tracking with Spatiotemporal Optical Flow Networks [7.920406261260867]
本稿では、空間的再構成損失と時間的整合損失を伴って、教師なし光フローネットワークを設計する動作追跡手法を提案する。提案する損失関数はペアワイズと時間的相関を利用してノイズ背景から心臓の動きを推定する。我々の知る限り、これは4次元心運動追跡のための教師なしエンドツーエンドのディープラーニング光フローネットワークを用いた最初の研究である。
論文参考訳（メタデータ） (2024-07-05T17:18:46Z)
Deep Learning for Automatic Strain Quantification in Arrhythmogenic Right Ventricular Cardiomyopathy [0.0]
CMRIによる心臓運動の定量化は、不整脈性右室心筋症(ARVC)診断の不可欠な部分である。 Inlicit Neural Representations (INR) とディープラーニングを用いた心臓運動自動評価法を開発した。以上の結果から,スライス間アライメントと超解像ボリュームの生成と,2つの心像の同時解析が相まって,登録性能が向上することが示唆された。
論文参考訳（メタデータ） (2023-11-24T12:55:36Z)
Semantic-aware Temporal Channel-wise Attention for Cardiac Function Assessment [69.02116920364311]
既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-09T05:57:01Z)
Continuous 3D Myocardial Motion Tracking via Echocardiography [30.19879953016694]
心筋運動追跡は、心臓血管疾患の予防と検出に不可欠な臨床ツールである。現在の技術は、空間次元と時間次元の両方において、心筋の不完全かつ不正確な運動推定に悩まされている。本稿では, 心臓の3次元構造と包括的6次元前/後方運動をモデル化するためのニューラル心運動場(ニューラルCMF)について紹介する。
論文参考訳（メタデータ） (2023-10-04T13:11:20Z)
Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文参考訳（メタデータ） (2020-06-28T21:03:19Z)

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。