論文の概要: EchoTab: Learning Measurement-Grounded Representations for Echocardiographic Diagnosis through Tabular Reconstruction

• arxiv url: http://arxiv.org/abs/2610.13599v1
• Date: Fri, 09 Oct 2026 13:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.605444
• Title: EchoTab: Learning Measurement-Grounded Representations for Echocardiographic Diagnosis through Tabular Reconstruction
• Title（参考訳）: EchoTab: 血管再建による心エコー画像診断のための学習支援
• Abstract要約: 本稿では,測定地上表現学習フレームワークであるEchoTabを紹介する。 心エコー図と診断の中間的表現として測定特異的トークンを用いた多視点心エコー図法の研究を示す。 結果として生じるトークンは、臨床的に意味のある構造的および機能的性質をコードする分解されたエコー表現を形成する。
• 参考スコア（独自算出の注目度）: 53.368813255127115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diagnostic information in multi-view medical imaging studies, like echocardiography, is distributed across views, each capturing different aspects of cardiac structure and function. In clinical practice, these views are first interpreted through quantitative measurements, which then support specific diagnoses. However, existing echo representation learning methods do not explicitly model measurements as an intermediate representation between views and diagnosis. As a result, individual measurements are not explicitly represented in a form that downstream diagnostic tasks can selectively use, hindering accurate diagnosis. Inspired by this hierarchical clinical workflow, we introduce EchoTab, a measurement-grounded representation learning framework that represents multi-view echocardiography studies using measurement-specific tokens as an intermediate representation between echo views and diagnosis. Each measurement token selectively attends to the views relevant to its estimation and is trained through tabular reconstruction to predict the corresponding measurement value. The resulting tokens form a factorized echo representation, which encode clinically meaningful structural and functional properties and can be selectively used for downstream diagnosis. Unlike the commonly used contrastive approaches, EchoTab does not require negative samples or large batch sizes. Experiments on two datasets demonstrate that EchoTab learns effective measurement-grounded representations that improve diagnosis classification in multi-view echocardiography and its learned attention aligns with established measurement-view relationships used by cardiologists. Our code is accessible at https://github.com/michelleespranita/EchoTab.
• Abstract（参考訳）: 心エコー法のような多視点医療画像研究における診断情報は、それぞれが心臓の構造と機能の異なる側面を捉えているビューに分散している。 臨床実践では、これらの見解はまず定量的な測定によって解釈され、特定の診断をサポートする。 しかし、既存のエコー表現学習法は、ビューと診断の間の中間表現として、明示的に測定をモデル化していない。 その結果、下流診断タスクが選択的に使用できる形で個々の測定値が明示的に表現されないため、正確な診断が妨げられる。 この階層的な臨床ワークフローにインスパイアされたEchoTabは、エコービューと診断の中間表現として、測定特異的なトークンを用いた多視点心エコー図法研究を表現する、測定地上表現学習フレームワークである。 各測定トークンは、その推定に関するビューに選択的に参加し、表の再構成を通じてトレーニングを行い、対応する測定値を予測する。 得られたトークンは、臨床的に意味のある構造的および機能的特性をコードし、下流の診断に選択的に使用できる因子化されたエコー表現を形成する。 一般的な対照的なアプローチとは異なり、EchoTabは負のサンプルや大きなバッチサイズを必要としない。 2つのデータセットの実験により、EchoTabは、マルチビュー心エコー図の診断分類を改善する効果的な測定地上表現を学習し、その学習注意は、心臓科医が使用する確立された測定視点関係と一致していることが示された。 私たちのコードはhttps://github.com/michelleespranita/EchoTabでアクセスできます。

関連論文リスト

• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• EchoVLM: Measurement-Grounded Multimodal Learning for Echocardiography [19.10644729648278]
  視覚言語モデル(VLM)は、自然画像や特定の医学領域で広く成功している。 本稿では,第1回マルチモーダル心エコー法データセットであるEchoGround-MIMICを紹介する。 本稿では,2つの新しい事前学習目標を組み込んだ視覚言語モデルであるEchoVLMを提案する。
  論文  参考訳（メタデータ） (2025-12-13T00:48:31Z)
• Echo-CoPilot: A Multi-View, Multi-Task Agent for Echocardiography Interpretation and Reporting [8.162197738994479]
  本稿では,多視点マルチタスクエージェントであるEcho-CoPilotを紹介する。 ReActスタイルのループ内で、エージェントは臨床クエリを分解し、ビュー認識、心臓構造セグメンテーション、測定と疾患予測、およびレポート合成のためのツールを起動する。 公開MIMIC-EchoQAベンチマークでEcho-CoPilotを評価し、50.8%の精度で、汎用的およびバイオメディカルなビデオビジョン言語モデルよりも優れています。
  論文  参考訳（メタデータ） (2025-12-06T23:27:54Z)
• Tables Guide Vision: Learning to See the Heart through Tabular Data [0.43748379918040853]
  コンピュータビジョンの手法は、通常、ペア化されたモダリティを整列する同じイメージまたはマルチモーダル事前訓練戦略の拡張ビューに依存する。 これは、心疾患のリスクや患者の予後を評価する上で、人口統計学的および臨床的属性が重要な役割を果たす、心臓医学のような医療画像領域において特に重要である。
  論文  参考訳（メタデータ） (2025-03-19T08:49:55Z)
• Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
  医用画像のテキストレポートの代替としてアイトラッキングを提案する。 医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。 対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
  論文  参考訳（メタデータ） (2023-12-11T02:27:45Z)
• GEMTrans: A General, Echocardiography-based, Multi-Level Transformer Framework for Cardiovascular Diagnosis [14.737295160286939]
  視覚ベースの機械学習(ML)手法は、検証の二次レイヤとして人気を集めている。 本稿では,説明可能性を提供する汎用のマルチレベルトランス(GEMTrans)フレームワークを提案する。 大動脈狭窄症(AS)の重症度検出と排卵率(EF)の2つの重要な課題を考慮し,本フレームワークの柔軟性を示す。
  論文  参考訳（メタデータ） (2023-08-25T07:30:18Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
  マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-05-21T06:48:34Z)

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。