arXiv:2507.05154v2 Announce Type: replace-cross 
Abstract: The identification of cardiac phase is an essential step for analysis and diagnosis of cardiac function. Automatic methods, especially data-driven methods for cardiac phase detection, typically require extensive annotations, which is time-consuming and labor-intensive. In this paper, we present an unsupervised framework for end-diastole (ED) and end-systole (ES) detection through self-supervised learning of latent cardiac motion trajectories from 4-chamber-view echocardiography videos. Our method eliminates the need for manual annotations, including ED and ES indices, segmentation, or volumetric measurements, by training a reconstruction model to encode interpretable spatiotemporal motion patterns. Evaluated on the EchoNet-Dynamic benchmark, the approach achieves mean absolute error (MAE) of 3 frames (58.3 ms) for ED and 2 frames (38.8 ms) for ES detection, matching state-of-the-art supervised methods. Extended to fetal echocardiography, the model demonstrates robust performance with MAE 1.46 frames (20.7 ms) for ED and 1.74 frames (25.3 ms) for ES, despite the fact that the fetal heart model is built using non-standardized heart views due to fetal heart positioning variability. Our results demonstrate the potential of the proposed latent motion trajectory strategy for cardiac phase detection in adult and fetal echocardiography. This work advances unsupervised cardiac motion analysis, offering a scalable solution for clinical populations lacking annotated data. Code will be released at https://github.com/YingyuYyy/CardiacPhase.

تقدم الورقة إطارًا غير إشرافي للكشف عن مراحل القلب، وتحديدًا نهاية الانبساط (ED) ونهاية الانقباض (ES)، في مقاطع فيديو تخطيط صدى القلب. تستخدم هذه الطريقة التعلم الذاتي للإشراف لتحليل مسارات الحركة القلبية الكامنة دون الحاجة إلى التعليقات اليدوية. تم تقييم الإطار باستخدام معيار EchoNet-Dynamic، حيث حقق متوسط خطأ مطلق قدره 3 إطارات للكشف عن ED و2 إطارًا للكشف عن ES، وهو ما يعادل الطرق الإشرافية الحالية. كما تم توسيع النهج ليشمل تخطيط صدى القلب الجنيني.

El artículo presenta un marco no supervisado para la detección de fases cardíacas, específicamente la fin de diástole (ED) y la fin de sístole (ES), en videos de ecocardiografía. Este método utiliza el aprendizaje auto-supervisado para analizar trayectorias de movimiento cardíaco latentes sin necesidad de anotaciones manuales. El marco fue evaluado utilizando el estándar EchoNet-Dynamic, logrando un error absoluto medio de 3 fotogramas para la detección de ED y 2 fotogramas para ES, comparable a los métodos supervisados existentes. El enfoque también se extiende a la ecocardiografía fetal.

Cet article présente un cadre non supervisé pour la détection des phases cardiaques, en particulier la fin de diastole (ED) et la fin de systole (ES), dans les vidéos d'échocardiographie. Cette méthode utilise l'apprentissage auto-supervisé pour analyser les trajectoires de mouvement cardiaque latentes sans nécessiter d'annotations manuelles. Le cadre a été évalué à l'aide de la référence EchoNet-Dynamic, atteignant une erreur absolue moyenne de 3 images pour la détection de l'ED et de 2 images pour l'ES, comparable aux méthodes supervisées existantes. L'approche est également étendue à l'échocardiographie fœtale.

The paper presents an unsupervised framework for detecting cardiac phases, specifically end-diastole (ED) and end-systole (ES), in echocardiography videos. This method utilizes self-supervised learning to analyze latent cardiac motion trajectories without the need for manual annotations. The framework was evaluated using the EchoNet-Dynamic benchmark, achieving a mean absolute error of 3 frames for ED and 2 frames for ES detection, which is comparable to existing supervised methods. The approach is also extended to fetal echocardiography.

Latent Motion Profiling for Annotation-free Cardiac Phase Detection in Adult and Fetal Echocardiography Videos

Was this article worth reading? Share it

LucidQuery AI

sync. labs

ClipCutAi

LipSync

Capte

Livecycle

Ready to build your own newsroom?