論文の概要: SV-Cine: Diagnosis-Conditioned Segmentation of Single Ventricle Physiology via Generative Data Augmentation

• arxiv url: http://arxiv.org/abs/2609.12997v1
• Date: Fri, 11 Sep 2026 15:59:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.799878
• Title: SV-Cine: Diagnosis-Conditioned Segmentation of Single Ventricle Physiology via Generative Data Augmentation
• Title（参考訳）: SV-Cine : 生成的データ拡張による単室生理の診断規定セグメンテーション
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.00573700660471
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single Ventricle Physiology (SVP) is a rare subtype of congenital heart disease characterized by the presence of a single functional cardiac ventricle with atypical anatomic configurations that challenge conventional image segmentation approaches. The scarcity of clinical data and the morphological diversity across SVP subtypes make the development of robust segmentation methods particularly difficult. To address these limitations, we propose a cardiac MRI segmentation framework focused on ventricular chambers and myocardium segmentation tailored for SVP. First, we introduce a data augmentation pipeline that generates synthetic 3D cardiac meshes using SDF4CHD and corresponding synthetic cardiac MRI through generative modeling. Second, we introduce SV-Cine, a diagnosis-conditioned adaptation of the foundation model CineMA that incorporates patient-level diagnostic information through Feature-wise Linear Modulation layers, enabling diagnosis-aware feature adaptation during segmentation. We evaluated the framework on an internal cohort with varying SVP subtypes. SV-Cine achieved median Dice scores of 0.89 (IQR: 0.80--0.91) for the left ventricle and 0.72 (IQR: 0.54--0.84) for the right ventricle, outperforming the strongest baseline, nnU-Net, by 0.39 Dice points on right ventricle segmentation. It also yields a median ejection fraction error of 5.55 percentage points (IQR: 3.41--7.69) for the dominant ventricle. Compared with the internal cohort, LV and myocardium segmentation performance was lower for the external cohort; whereas RV Dice scores were comparable for both cohorts. Our findings suggest that a pretrained foundation model can be adapted for highly specialized downstream tasks through usage of diagnosis priors while leveraging anatomic knowledge learned from large-scale MRI datasets during pretraining.
• Abstract（参考訳）: SVP(Single Ventricle Physiology)は先天性心疾患の稀な亜型である。 臨床データの不足とSVPサブタイプ間の形態的多様性は、堅牢なセグメンテーション法の開発を特に困難にしている。 これらの制約に対処するため,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。 まず,SDF4CHDとそれに対応する合成心筋MRIを用いて合成心筋メッシュを生成するデータ拡張パイプラインを提案する。 第二に, SV-Cineは, CineMAの診断条件付き適応であり, 特徴量線形変調層を通して患者レベルの診断情報を取り込み, セグメンテーション中の特徴適応を可能にする。 各種SVPサブタイプを用いた内部コホート上でのフレームワークの評価を行った。 SV-Cineは左心室では0.89点(IQR: 0.80--0.91)、右心室では0.72点(IQR: 0.54--0.84)、右心室区では0.39点(右心室区では0.39点)のDiceスコアを記録した。 また、支配的な心室に対して5.55ポイント(IQR: 3.41--7.69)の吐出率誤差が中央値となる。 内部コホートと比較すると,外コホートではLVと心筋セグメンテーションの成績が低かったが,RV Diceスコアは両コホートに匹敵した。 以上の結果から, 術前診断を用いて, 大規模MRIデータセットから得られた解剖学的知識を活用しながら, 高度に訓練された基礎モデルを, 高度に専門化された下流タスクに適用できることが示唆された。

関連論文リスト

• BAAI Cardiac Agent: An intelligent multimodal agent for automated reasoning and diagnosis of cardiovascular diseases from cardiac magnetic resonance imaging [38.86018893974869]
  本稿では、エンド・ツー・エンドの心臓磁気共鳴(CMR)の解釈を目的としたマルチモーダル・インテリジェント・システムであるBAAI Cardiac Agentを提案する。 この薬剤は、専門的な心臓専門家モデルを統合し、心臓構造の自動セグメンテーション、機能的定量化、組織の特徴、および疾患の診断を行う。 本システムでは, 退行率, 脳卒中容積, 左室量などのコアパラメータについて, 臨床報告と極めて一致している。
  論文  参考訳（メタデータ） (2026-04-05T11:52:46Z)
• 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)
• Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
  心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。 本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
  論文  参考訳（メタデータ） (2025-04-27T16:43:52Z)
• Cardiac MRI Semantic Segmentation for Ventricles and Myocardium using Deep Learning [0.0]
  非侵襲的心臓診断は、心疾患の早期発見において重要な役割を担っている。 心臓画像のセマンティックセグメンテーションを改善するためのモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-18T00:54:30Z)
• Evaluation of state-of-the-art deep learning models in the segmentation of the heart ventricles in parasternal short-axis echocardiograms [0.0]
  胸部短軸心エコー図(PSAX-echo)における心室のセグメンテーションによる深層学習モデルの評価 深層学習モデルはPSAX-echoの左室と右室のセグメンテーションに適したモデルである。
  論文  参考訳（メタデータ） (2025-03-12T00:33:01Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• An Improved Approach for Cardiac MRI Segmentation based on 3D UNet Combined with Papillary Muscle Exclusion [0.0]
  異なるフェーズにおいて、心臓構造を正確にセグメンテーションするための堅牢なアルゴリズムを開発することが重要である。 本研究では,乳頭筋を除いた心筋とLVのセグメンテーションに改良された3次元UNetモデルを導入する。 提案フレームワークの実用試験では, 合計8,400枚の心MRI画像を収集し, 解析した。
  論文  参考訳（メタデータ） (2024-10-09T12:19:58Z)
• 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)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• 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。