CoReEcho: Continuous Representation Learning for 2D+time Echocardiography Analysis

要約

ディープラーニング (DL) モデルは、包括的なエンドツーエンドのトレーニング パイプラインを提供することにより、心エコー検査を含むさまざまなモダリティにおける自動医用画像分析を進歩させてきました。
このアプローチにより、DL モデルは 2D+時間心エコー図から駆出率 (EF) を直接回帰できるようになり、優れたパフォーマンスが得られます。
ただし、エンドツーエンドのトレーニング パイプラインでは、学習された表現の説明が難しくなります。
また、この表現では、心エコー図クリップ間の連続的な関係を捉えることができず、一般化に悪影響を与える可能性がある偽の相関の存在を示す可能性があります。
この問題を軽減するために、直接 EF 回帰に合わせて調整された連続表現を強調する新しいトレーニング フレームワークである CoReEcho を提案します。
私たちの広範な実験により、CoReEcho は、1) MAE 3.90 および R2 82.44 の最大の心エコー検査データセット (EchoNet-Dynamic) で現在の最先端 (SOTA) を上回り、2) 堅牢で汎用化可能な機能を提供することが実証されています。
関連する下流タスクでより効果的に転送します。
コードは https://github.com/fadamsyah/CoReEcho で公開されています。

要約(オリジナル)

Deep learning (DL) models have been advancing automatic medical image analysis on various modalities, including echocardiography, by offering a comprehensive end-to-end training pipeline. This approach enables DL models to regress ejection fraction (EF) directly from 2D+time echocardiograms, resulting in superior performance. However, the end-to-end training pipeline makes the learned representations less explainable. The representations may also fail to capture the continuous relation among echocardiogram clips, indicating the existence of spurious correlations, which can negatively affect the generalization. To mitigate this issue, we propose CoReEcho, a novel training framework emphasizing continuous representations tailored for direct EF regression. Our extensive experiments demonstrate that CoReEcho: 1) outperforms the current state-of-the-art (SOTA) on the largest echocardiography dataset (EchoNet-Dynamic) with MAE of 3.90 & R2 of 82.44, and 2) provides robust and generalizable features that transfer more effectively in related downstream tasks. The code is publicly available at https://github.com/fadamsyah/CoReEcho.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google