論文の概要: EchoDiST: Self-distillation-based joint learning for diffusion-conditioned echocardiographic myocardial motion estimation

• arxiv url: http://arxiv.org/abs/2610.11431v1
• Date: Thu, 08 Oct 2026 07:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.876596
• Title: EchoDiST: Self-distillation-based joint learning for diffusion-conditioned echocardiographic myocardial motion estimation
• Title（参考訳）: EchoDiST: 拡散条件心エコー法による心筋運動推定のための自己拡張型共同学習
• Abstract要約: EchoDiSTは心エコー法による心筋運動推定のためのフレームワークである。 自己蒸留に基づく共同学習を拡散条件運動推定ネットワークに統合する。 また, 解剖学的アライメント, 心筋ひずみ評価, 運動誘発機能および心期評価を継続的に改善した。
• 参考スコア（独自算出の注目度）: 2.0849846942863643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion estimation in echocardiography is essential for quantitative assessment of cardiac function and myocardial mechanics, but remains challenging due to image artifacts, limited image information, speckle decorrelation, and the scarcity of ground-truth displacement fields. Anatomy-guided approaches can provide structural information, yet often rely on expert-labeled myocardial segmentations. We propose EchoDiST, a framework for unsupervised echocardiographic myocardial motion estimation that integrates self-distillation-based joint learning with a diffusion-conditioned motion estimation network. Here, unsupervised motion estimation refers to learning without ground-truth displacement fields. The self-distillation strategy jointly optimizes anatomical segmentation and myocardial motion estimation under limited anatomical annotations. Diffusion-based conditioning is used during training with stochastic perturbations, while inference requires only a single deterministic forward pass without iterative reverse-diffusion sampling. EchoDiST was evaluated on three echocardiographic datasets, including two external test datasets under cross-view and cross-dataset settings. Compared with seven representative learning-based methods, EchoDiST consistently improved anatomical alignment, myocardial strain assessment, and motion-derived functional and cardiac-phase assessment. These gains were statistically significant across the evaluated tasks and datasets. Overall, EchoDiST provides an effective approach for reliable myocardial motion estimation under limited anatomical supervision and supports downstream quantitative assessment of cardiac function.
• Abstract（参考訳）: 心エコー法における運動推定は, 心機能および心筋力学の定量的評価には不可欠であるが, 画像アーチファクト, 限られた画像情報, スペックルデコレーション, 地中トラス変位場の不足により, 依然として困難である。 解剖学的ガイドによるアプローチは構造情報を提供することができるが、専門家による心筋セグメンテーションに依存していることが多い。 本研究では, 自己拡張型共同学習と拡散条件を用いた運動推定ネットワークを統合した, 心エコー心エコー法による心筋運動推定のためのフレームワークであるEchoDiSTを提案する。 ここでは、教師なしの運動推定は、地表面の変位場を持たない学習を指す。 自己蒸留法は, 限られた解剖学的アノテーションの下で, 解剖学的セグメンテーションと心筋運動推定を共同で最適化する。 拡散に基づく条件付けは確率的摂動のトレーニングで使用され、推論は反復的逆拡散サンプリングなしでは1つの決定論的前方通過しか必要としない。 EchoDiSTは、クロスビューとクロスデータセット設定下の2つの外部テストデータセットを含む、3つのエコー心エコーデータセットで評価された。 代表的な7つの学習法と比較して,EchoDiSTは解剖学的アライメント,心筋ひずみ評価,運動誘発機能および心期評価を一貫して改善した。 これらの利得は、評価されたタスクとデータセット間で統計的に有意であった。 全体として、EchoDiSTは、限られた解剖学的監督下での信頼性の高い心筋運動推定のための効果的なアプローチを提供し、心臓機能の下流での定量的評価を支援する。

関連論文リスト

• Self-Supervised Cardiac Phase Detection via Single-Parameter Latent Orbits [44.45620787098836]
  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。
  論文  参考訳（メタデータ） (2026-09-10T14:56:16Z)
• 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)
• 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)
• 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)
• 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)
• Ensemble Learning of Myocardial Displacements for Myocardial Infarction Detection in Echocardiography [15.153823114115307]
  心筋梗塞の早期発見と局所化は、心臓損傷の重症度を低下させる可能性がある。 深層学習技術は心エコー画像におけるMI検出の可能性を示唆している。 本研究は,複数のセグメンテーションモデルの特徴を組み合わせ,MI分類性能を向上させるロバストな手法を提案する。
  論文  参考訳（メタデータ） (2023-03-12T20:16:14Z)
• Anatomy-Aware Cardiac Motion Estimation [11.680533842892107]
  心筋機能追跡は、シネMRIから直接心臓の動きを推定することができる。 現在の深層学習に基づくFT法は非現実的な心筋形状をもたらす可能性がある。 心臓運動推定のための新しいアナトミー・アウェア・トラッカー (AATracker) を提案する。
  論文  参考訳（メタデータ） (2020-08-17T19:14:32Z)
• 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。