用于心血管疾病评估的CMR引导心电图表征的双阶段跨模态对比学习
图像与视频处理
2026-02-16 v1 计算机视觉与模式识别
摘要
心脏磁共振成像(CMR)可提供心脏结构和功能的详细评估，但其可及性有限，仅适用于特定患者群体。相比之下，心电图(ECG)普遍存在且成本低廉，能提供丰富的心脏电活动和节律信息，但对潜在的心脏结构和机械功能的洞察有限。为解决这一问题，我们引入了一个对比学习框架，通过从配对的ECG-CMR数据中学习，改进从ECG中提取临床相关心脏表型的能力。我们的方法将ECG表征与舒张末期(ED)和收缩末期(ES)的3D CMR体积对齐，采用双阶段对比损失将每个ECG同时锚定到共享潜在空间中的两个心脏阶段。与先前仅限于带或不带时间分量的2D CMR表征的方法不同，我们的框架将ED和ES阶段的3D解剖结构建模为不同的潜在表征，从而能够灵活解耦心脏的结构和功能特性。利用来自英国生物样本库的超过34,000对ECG-CMR数据，我们展示了从ECG中改进的图像衍生表型提取，特别是功能参数（提升9.2%），而临床结果预测的改进较为温和（提升0.7%）。该策略可实现从ECG中可扩展且经济高效地提取图像衍生特征。本研究的代码已公开提供。
引用
@article{arxiv.2602.12883,
title = {Dual-Phase Cross-Modal Contrastive Learning for CMR-Guided ECG Representations for Cardiovascular Disease Assessment},
author = {Laura Alvarez-Florez and Angel Bujalance-Gomez and Femke Raijmakers and Samuel Ruiperez-Campillo and Maarten Z. H. Kolk and Jesse Wiers and Julia Vogt and Erik J. Bekkers and Ivana Išgum and Fleur V. Y. Tjong},
journal= {arXiv preprint arXiv:2602.12883},
year = {2026}
}
备注
Paper accepted at SPIE Medical Imaging 2026 Conference