論文の概要: The segmentation ceiling: why explicit left-ventricular masks do not improve learned ejection-fraction regression

• arxiv url: http://arxiv.org/abs/2609.19730v1
• Date: Thu, 17 Sep 2026 05:41:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.11851
• Title: The segmentation ceiling: why explicit left-ventricular masks do not improve learned ejection-fraction regression
• Title（参考訳）: セグメンテーション天井:なぜ明示的な左室マスクは学習的射出-屈折回帰を改善しないのか
• Abstract要約: 定量的な基準であるセグメンテーション天井を導入し,その有効性を確認した。 フレーム単位のセグメンテーション領域エラーがEFエラーにどのように伝播するかをクローズドな形で導出する。 基準では、フレーム単位の誤差の10%近くが破れているのに対し、代表セグメンタは天井の上の約14%で動作している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate estimation of left ventricular ejection fraction (EF) from echocardiography is central to cardiovascular care, and deep learning enables automated EF prediction from echocardiographic video. Because EF is clinically derived from left-ventricular (LV) volumes, a widely held intuition is that explicit LV segmentation should improve prediction. We introduce a quantitative criterion, the segmentation ceiling, that makes this testable: from EF as a normalized difference of end-diastolic and end-systolic volumes, we derive in closed form how per-frame segmentation area error propagates into EF error, and thus the accuracy a mask must reach before it can improve on direct regression. Using EchoNet-Dynamic, a UniFormer-S backbone, and the empirically measured within-patient error correlation, the criterion places the break-even near 10% per-frame area error, whereas a representative segmenter operates at roughly 14%, above the ceiling. Consistent with this, four strategies for injecting segmentation or area information (a predicted-mask channel, end-diastolic/end-systolic clip sampling, and per-bin and amplitude area-consistency objectives) fail to beat a raw-video baseline; ground-truth masks help only through label leakage. Input representation thus not being the limit, we identify generalization as the practical lever: weight averaging with strong augmentation attains a test R^2 of 0.806 (MAE 4.08) under a matched dense-clip protocol, comparable to an R(2+1)D baseline (0.811) while tightening the validation-to-test gap. Finally, a heteroscedastic beta-NLL formulation yields informative, well-calibrated per-prediction uncertainty, larger for clinically harder low-EF cases, where Monte-Carlo dropout does not. The segmentation ceiling gives a concrete design criterion for when mask-guided EF estimation is worthwhile, plus a simple, uncertainty-aware recipe for EF regression.
• Abstract（参考訳）: 心エコー法による左室排出率(EF)の正確な推定は心血管ケアの中心であり,深層学習は心エコービデオによる自動EF予測を可能にする。 EFは左室容積(LV)から臨床的に誘導されるため、明示的なLVセグメンテーションが予測を改善することが広く考えられている。 EFを終端拡張ボリュームと終端収縮ボリュームの正規化差として、フレームごとのセグメンテーション領域エラーがEFエラーにどのように伝播するかをクローズド形式で導出することにより、マスクが直接回帰を改善する前に到達しなければならない精度を検証可能な量的基準であるセグメンテーション天井を導入する。 EchoNet-Dynamic、UniFormer-Sのバックボーン、および経験的に測定された患者の内的エラー相関を用いて、クレーターはフレームあたりの10%近いエラーを、代表セグメンタは天井の約14%で処理する。 これに対応して、セグメンテーションまたはエリア情報を注入する4つの戦略(予測マスクチャンネル、エンドダイアストリック/エンドシストリッククリップサンプリング、振幅領域一貫性目標)は、生ビデオベースラインを破ることに失敗する。 重み付けによる平均化は、R(2+1)Dベースライン(0.811)に匹敵する密閉プロトコルの下で、0.806(MAE 4.08)の試験R^2を達成し、検証とテストのギャップを縮める。 最後に、不均一なβ-NLLの定式化は、モンテカルロの脱落が起こらない臨床上より硬度の高い低EF症例において、情報的、十分に校正された予測当たりの不確実性をもたらす。 セグメンテーション天井は、マスクガイドによるEF推定が価値がある場合の具体的な設計基準と、EF回帰のための単純で不確実性を考慮したレシピを提供する。

関連論文リスト

• When Measurement Conventions Masquerade as Calibration Gains in Cardiac Digital Twins [2.8380504722717728]
  本研究は, 単葉地絡EF誤差がモデル間で統計的に区別できないことを示す。 プレ仕様のEchoNet-Dynamicレプリケーションは、リリースデータと抽出器を尖面四面面に合わせることで、ベースライン過大評価を除去する。 また、ハエモダイナミック効果、共形残余幅予算、EF層の変化を定量化し、Convention-Aware EF Auditプロトコルを作成する。
  論文  参考訳（メタデータ） (2026-08-03T02:16:22Z)
• Explaining RhythmFormer: A Systematic XAI Analysis of Periodic Sparse Attention for Remote Photoplethysmography [1.647210198730602]
  Photoplethys変換器は、ベンチマークで心拍数エラーが低いが、その決定は不透明である。 既存のXAIは、定量的忠実度測定や生理的根拠による検証を伴わない定性的なヒートマップ検査によって支配されている。 我々は、RhythmFormerの2レベルの注意をトップ$k$選択で定量化するために、4つの方法(raw attention, rollout, flow, Beyond Intuition)を適用する。
  論文  参考訳（メタデータ） (2026-06-11T19:10:06Z)
• 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)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• ProtoEFNet: Dynamic Prototype Learning for Inherently Interpretable Ejection Fraction Estimation in Echocardiography [3.041654619898153]
  ProtoEFNetは、連続EF回帰のためのビデオベースのプロトタイプ学習モデルである。 臨床的に意味のある心臓の動きパターンを捉える動的時間的プロトタイプを学習する。 実験の結果,ProtoEFNetの精度は非解釈可能なものと同等であることがわかった。
  論文  参考訳（メタデータ） (2025-12-03T01:11:28Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Cyclical Self-Supervision for Semi-Supervised Ejection Fraction Prediction from Echocardiogram Videos [32.62593401120131]
  左室放出率(LVEF)は心不全の重要な指標である。 ビデオからLVEFを推定するための現在の手法は、高い性能を達成するために大量の注釈付きデータを必要とする。 本稿では,LVEF予測のための最初の半教師付きアプローチを提案する。
  論文  参考訳（メタデータ） (2022-10-20T14:23:40Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)

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。