論文の概要: EchoDino: A pediatric foundation model for transferable echocardiographic analysis across the lifespan
- arxiv url: http://arxiv.org/abs/2610.05603v1
- Date: Sun, 04 Oct 2026 23:15:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.426937
- Title: EchoDino: A pediatric foundation model for transferable echocardiographic analysis across the lifespan
- Title（参考訳）: 小児心エコー図を用いた心エコー図解析の基礎的検討
- Abstract要約: 我々は、DINOv3フレームワークを370万フレームに適応させることにより作成した、エコー心エコー法のための自己教師型基礎モデルであるEchoDinoを紹介する。
エンコーダの凍結により、EchoDinoはグローバルなコンテキスト、局所解剖、密集した空間的詳細をキャプチャーする表現を生成する。
小児と成人の9つのデータセットにおいて、EchoDinoは強力なベースラインモデルより優れており、ビュー分類精度は0.609から0.889に、受信機が0.811から0.872まで構造的ハート障害検出のために特性曲線を演算する領域は0.872に向上した。
- 参考スコア（独自算出の注目度）: 3.1372760247012486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Echocardiography is the most widely used cardiac imaging modality, yet interpretation demands integrating visual evidence across global anatomy, localized structures and dynamic cardiac motion. Machine-learning models have automated individual tasks, but they are typically built for a single purpose and depend on expensively labeled datasets - a barrier particularly acute in pediatric care, where data are scarce and anatomy changes with age. Here we present EchoDino, a self-supervised foundation model for echocardiography, created by adapting the DINOv3 framework to 3.7 million frames from 1.7 million unlabeled pediatric echocardiography videos. With its encoder frozen, EchoDino produces representations that capture global context, local anatomy, and dense spatial detail. We introduce Motion-biased Entropy Maximization Sampling (MEMS) to select the most informative frames for video-level analysis. Across nine pediatric and adult datasets, EchoDino outperformed strong baseline models, raising view-classification accuracy from 0.609 to 0.889 and the area under the receiver operating characteristic curve for structural-heart-disease detection from 0.811 to 0.872, while also cutting age-estimation error from 3.857 to 1.389 years, achieving the best segmentation accuracy and lowering ejection-fraction errors. By generalizing from label-free pediatric data to adult echocardiography, EchoDino offers a versatile foundation for cardiac image analysis across the lifespan.
- Abstract（参考訳）: エコー心電図は最も広く用いられている心臓画像のモダリティであるが、解釈は、大域解剖学、局所構造、動的心臓運動にまたがる視覚的エビデンスを統合することを要求する。
マシンラーニングモデルには自動化された個々のタスクがあるが、通常は単一の目的のために構築され、高価なラベル付けされたデータセットに依存している。
ここでは、DINOv3フレームワークを170万の未ラベルの小児心エコービデオから370万のフレームに適応させることにより作成した、エコー心エコーの自己監督基盤モデルであるEchoDinoを紹介する。
エンコーダの凍結により、EchoDinoはグローバルなコンテキスト、局所解剖、密集した空間的詳細をキャプチャーする表現を生成する。
本稿では、動画レベルの分析において最も情報性の高いフレームを選択するために、動きバイアスエントロピー最大化サンプリング(MEMS)を導入する。
小児と成人の9つのデータセットにおいて、EchoDinoは強力なベースラインモデルより優れており、ビュー分類精度は0.609から0.889、受信機が特徴曲線を0.811から0.872まで引き上げ、年齢推定誤差は3.857から1.389年に短縮し、セグメンテーション精度を最高のものにし、エジェクション・フラクション誤差を下げた。
ラベルフリーの小児データから成人の心エコーまでを一般化することで、EchoDinoは生涯にわたる心臓画像解析の多彩な基盤を提供する。
関連論文リスト
- Investigating Deep Learning Models for Ejection Fraction Estimation from Echocardiography Videos [2.86829428083307]
左室放出分画(LVEF)は心機能の指標である。
ディープラーニングアプローチは、経験豊富な人間の専門家に匹敵するパフォーマンスを達成する可能性を提供します。
論文 参考訳（メタデータ） (2025-12-27T17:11:17Z) - Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation [83.02147613524032]
医療用AIシステムFetalMindについて報告する。
本稿では、専門家による2部グラフをモデルに注入し、ビュー・ディスリーズ関連を分離するSED(Salient Epistemic Disentanglement)を提案する。
FetalMindはすべての妊娠期のオープンソースおよびクローズドソースベースラインを上回り、平均利得は+14%、臨界条件では+61.2%高い。
論文 参考訳（メタデータ） (2025-10-14T19:57:03Z) - Latent Motion Profiling for Annotation-free Cardiac Phase Detection in Adult and Fetal Echocardiography Videos [4.306805601880343]
本稿では,自己教師型学習によるエンドディストル(ED)とエンドシストル(ES)検出のための教師なしフレームワークを提案する。
本手法は,ED ESインデックスやセグメンテーション,ボリューム測定など,手動のアノテーションを必要としない。
EDの3フレーム (5Phase ms) とES検出の2フレーム (38.8 ms) の平均絶対誤差 (MAE) を達成する。
論文 参考訳（メタデータ） (2025-07-07T16:10:46Z) - 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) - UltraSeP: Sequence-aware Pre-training for Echocardiography Probe Movement Guidance [70.94473797093293]
本稿では,高品質な標準平面画像取得のためのプローブポーズ調整によるロボットシステムや初心者の誘導に応用可能な,新しいプローブ移動誘導アルゴリズムを提案する。
本研究では, マスクアウト画像の特徴とプローブ動作をスキャンシーケンスで予測することにより, パーソナライズされた3次元心構造の特徴を学習する。
論文 参考訳（メタデータ） (2024-08-27T12:55:54Z) - Cardiac Copilot: Automatic Probe Guidance for Echocardiography with World Model [66.35766658717205]
心臓の複雑な構造と重要な手術上の課題のため、経験豊富なソノグラフィーが不足している。
本稿では,リアルタイムなプローブ移動誘導が可能なCardiac Copilotシステムを提案する。
中心となるイノベーションは、心臓の空間構造を表現するためのデータ駆動の世界モデル、Cardiac Dreamerの提案である。
実世界の超音波データとそれに対応するプローブの動きを,3人のソノグラフィーによる151Kサンプル対を用いた110の定期的な臨床スキャンからトレーニングする。
論文 参考訳（メタデータ） (2024-06-19T02:42:29Z) - Multimodal Foundation Models For Echocardiogram Interpretation [0.24578723416255746]
1,032,975個の心エコービデオとそれに対応する専門的解釈を用いて,EchoCLIPを開発した。
EchoCLIPは、心臓機能評価において強いゼロショット(明示的に訓練されていない)パフォーマンスを示す。
また,エコーCLIP-R (Long-context variant, EchoCLIP-R) も開発した。
論文 参考訳（メタデータ） (2023-08-29T23:45:54Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。