M(otion)-mode Based Prediction of Ejection Fraction using Echocardiograms

要約

心血管疾患の診断には、定期的なスクリーニングによる心機能不全の早期発見が不可欠です。
心機能の重要な指標は左心室駆出率 (EF) であり、EF の低下は心筋症と関連しています。
心エコー検査は心臓病学において人気のある診断ツールであり、超音波は低コストでリアルタイムの非電離技術です。
ただし、EF を計算するための心エコー図の人間による評価は時間がかかり、専門知識が必要なため、自動化されたアプローチの必要性が高まっています。
この研究では、EF の推定と心筋症の分類に心エコー図の M(otion) モードを使用することを提案します。
単一の心エコー図から複数の人工 M モード画像を生成し、既製のモデル アーキテクチャを使用してそれらを結合します。
さらに、対照学習 (CL) を心臓画像に拡張し、ラベルなしデータの構造を利用して意味のある表現を学習し、注釈が限られている場合でもモデルが高精度を達成できるようにします。
私たちの実験では、教師あり設定はわずか 10 個のモードで収束し、ベースライン手法と同等でありながら、面倒なトレーニング プロセスを回避し、計算効率がはるかに高いことがわかりました。
さらに、M モード画像を使用する CL は、医療アプリケーションで一般的な 200 人の患者のみのラベルを持つなど、限られたデータ シナリオに役立ちます。

要約(オリジナル)

Early detection of cardiac dysfunction through routine screening is vital for diagnosing cardiovascular diseases. An important metric of cardiac function is the left ventricular ejection fraction (EF), where lower EF is associated with cardiomyopathy. Echocardiography is a popular diagnostic tool in cardiology, with ultrasound being a low-cost, real-time, and non-ionizing technology. However, human assessment of echocardiograms for calculating EF is time-consuming and expertise-demanding, raising the need for an automated approach. In this work, we propose using the M(otion)-mode of echocardiograms for estimating the EF and classifying cardiomyopathy. We generate multiple artificial M-mode images from a single echocardiogram and combine them using off-the-shelf model architectures. Additionally, we extend contrastive learning (CL) to cardiac imaging to learn meaningful representations from exploiting structures in unlabeled data allowing the model to achieve high accuracy, even with limited annotations. Our experiments show that the supervised setting converges with only ten modes and is comparable to the baseline method while bypassing its cumbersome training process and being computationally much more efficient. Furthermore, CL using M-mode images is helpful for limited data scenarios, such as having labels for only 200 patients, which is common in medical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google