論文の概要: Self-Supervised Cardiac Phase Detection via Single-Parameter Latent Orbits

• arxiv url: http://arxiv.org/abs/2609.11650v1
• Date: Thu, 10 Sep 2026 14:56:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.407517
• Title: Self-Supervised Cardiac Phase Detection via Single-Parameter Latent Orbits
• Title（参考訳）: 単パラメータ潜時軌道による自励心位相検出
• Abstract要約: 心エコー図におけるエンドジストール (ED) とエンドジストール (ES) の正確な同定は、心機能の定量化を支えている。 最近の自己監督手法は、厳密な周期軌道を規定するか、あるいは再構成や登録目的から制約のない低次元運動部分空間を学習する。 我々は、効率的な潜在軌道を学習し、EDローカライゼーションにおける技術の以前の状態を大幅に改善し、ESローカライゼーションにおいて、より制約のある表現とより少ないトレーニングエポックを用いて、それをマッチングする。
• 参考スコア（独自算出の注目度）: 44.45620787098836
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate identification of end-diastole (ED) and end-systole (ES) in echocardiography underpins the quantification of ventricular function, yet manual selection of these key frames is subjective and introduces clinically significant inter-operator variability. Recent self-supervised methods either prescribe strict periodic trajectories or learn an unconstrained low-dimensional motion subspace from reconstruction or registration objectives. The former offers interpretability but imposes restrictive assumptions on temporal progression, whereas the latter leaves cardiac phase implicit and ED/ES must be recovered through post-hoc geometric processing of the learned trajectory. We translate the physiological observation that cardiac phase is a one-dimensional signal into a prior by constraining the latent motion component to a single-parameter latent orbit, i.e., a global linear trajectory in latent space indexed by a bounded scalar phase variable. Mapping this variable through a sinusoidal nonlinearity yields an oscillatory motion signal with consistent temporal ordering, enabling direct identification of ED and ES from the learned phase signal. This inductive bias allows the model to capture an interpretable representation of the cardiac cycle, while maintaining flexibility to capture irregular heartbeats. Trained on EchoNet-Dynamic without annotations, our minimal single-parameter cardiac phase model learns an effective latent orbit, significantly improves upon the previous state of the art in ED localisation and matches it in ES localisation while using a more constrained representation and fewer training epochs. This demonstrates that a principled physiological inductive bias can match or exceed the performance of more complex representations. Code is available at: https://github.com/BonniciJ/OrbitalEcho/
• Abstract（参考訳）: 心エコー図におけるエンドジストール (ED) とエンドジストール (ES) の正確な同定は心室機能の定量化を裏付けるが、これらのキーフレームの手動選択は主観的であり、臨床的に有意な操作間変動をもたらす。 最近の自己監督手法は、厳密な周期軌道を規定するか、あるいは再構成や登録目的から制約のない低次元運動部分空間を学習する。 前者は解釈可能性を提供するが、時間的進行に制限的な仮定を課すが、後者は心相を暗黙に残し、ED/ESは学習軌跡のポストホックな幾何学的処理によって回復しなければならない。 本研究では,静止運動成分を1パラメータ潜在軌道,すなわち有界スカラー位相変数で指数付けられた潜在空間における大域線形軌跡に制限することにより,心臓相が1次元信号であるという生理学的観察を先行に翻訳する。 この変数を正弦波非線形性を通してマッピングすると、一貫した時間順序で振動運動信号が得られ、学習した位相信号からEDとESを直接識別できる。 この誘導バイアスは、不規則な心拍を捉える柔軟性を維持しながら、モデルが心循環の解釈可能な表現をキャプチャすることを可能にする。 アノテーションを使わずにEchoNet-Dynamicをトレーニングすることで、最小の単パラメータ心期モデルは有効な潜時軌道を学習し、従来のEDローカライゼーションの最先端を著しく改善し、ESローカライゼーションに適合すると同時に、より制約のある表現とより少ないトレーニングエポックを使用する。 このことは、原理的生理的帰納バイアスがより複雑な表現のパフォーマンスと一致するか、あるいは超えることを証明している。 コードは、https://github.com/BonniciJ/OrbitalEcho/で入手できる。

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)
• ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
  EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。 既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。 本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
  論文  参考訳（メタデータ） (2026-09-04T12:48:25Z)
• Spatiotemporal Distillation via Recurrent Bottlenecks for Aortic Tracking [1.898768451389131]
  心循環を利用した知識蒸留フレームワークを提案する。 この枠組みは、空間教師の専門知識を時間的時間的学生ネットワークに蒸留する。 この戦略により、シネアテンポの学生モデルは、より優れた表面追跡精度を実現することができる。
  論文  参考訳（メタデータ） (2026-08-24T22:37:47Z)
• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• Capturing Cardiac Cyclicity through Phase-Equivariant Self-Supervised Learning [0.2810625954925814]
  ウィンダは表現を位相不変座標と位相回転調和部分空間に整理する。 ウィンダは最先端の自己管理手法によって報告された範囲内で診断精度を得る。
  論文  参考訳（メタデータ） (2026-08-21T14:23:46Z)
• Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
  画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。 コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
  論文  参考訳（メタデータ） (2026-06-30T15:42:23Z)
• 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)
• A DyL-Unet framework based on dynamic learning for Temporally Consistent Echocardiographic Segmentation [0.328418927821443]
  動的学習に基づく時間的一貫性を持つU-NetセグメンテーションアーキテクチャDyL-UNetを提案する。 このフレームワークは、動的学習を通じてEcho-Dynamics Graph(EDG)を構築し、ビデオから動的情報を抽出する。 CAMUSとEchoNet-Dynamicデータセットの実験は、DyL-UNetが既存のメソッドに匹敵するセグメンテーション精度を維持していることを示している。
  論文  参考訳（メタデータ） (2025-09-23T14:17:01Z)
• Self-Alignment Learning to Improve Myocardial Infarction Detection from Single-Lead ECG [30.009709596357478]
  心筋梗塞は冠動脈疾患の重要な徴候である。 単葉心電図(ECG)から検出するのは空間情報が少ないため困難である。 単誘導心電図による心筋梗塞検出を改善するための簡易かつ効果的なアライメント学習フレームワークであるSelfMISを提案する。
  論文  参考訳（メタデータ） (2025-09-23T03:54:39Z)
• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)

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。