論文の概要: AutoFB: Automating Fetal Biometry Estimation from Standard Ultrasound Planes

• arxiv url: http://arxiv.org/abs/2107.05255v1
• Date: Mon, 12 Jul 2021 08:42:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 16:05:19.406294
• Title: AutoFB: Automating Fetal Biometry Estimation from Standard Ultrasound Planes
• Title（参考訳）: AutoFB:標準超音波による胎児の生体計測の自動化
• Authors: Sophia Bano, Brian Dromey, Francisco Vasconcelos, Raffaele Napolitano, Anna L. David, Donald M. Peebles, Danail Stoyanov
• Abstract要約: 提案したフレームワークは、最先端のセグメンテーションモデルを用いて、重要な胎児解剖を意味的にセグメンテーションする。 その結果, セグメンテーション性能のよいネットワークは, バイオメトリ推定においてより正確であることが示唆された。
• 参考スコア（独自算出の注目度）: 10.745788530692305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During pregnancy, ultrasound examination in the second trimester can assess fetal size according to standardized charts. To achieve a reproducible and accurate measurement, a sonographer needs to identify three standard 2D planes of the fetal anatomy (head, abdomen, femur) and manually mark the key anatomical landmarks on the image for accurate biometry and fetal weight estimation. This can be a time-consuming operator-dependent task, especially for a trainee sonographer. Computer-assisted techniques can help in automating the fetal biometry computation process. In this paper, we present a unified automated framework for estimating all measurements needed for the fetal weight assessment. The proposed framework semantically segments the key fetal anatomies using state-of-the-art segmentation models, followed by region fitting and scale recovery for the biometry estimation. We present an ablation study of segmentation algorithms to show their robustness through 4-fold cross-validation on a dataset of 349 ultrasound standard plane images from 42 pregnancies. Moreover, we show that the network with the best segmentation performance tends to be more accurate for biometry estimation. Furthermore, we demonstrate that the error between clinically measured and predicted fetal biometry is lower than the permissible error during routine clinical measurements.
• Abstract（参考訳）: 妊娠中、第2トリメスターの超音波検査は、標準化されたチャートに従って胎児の大きさを評価することができる。 再現可能で正確な測定を実現するためには、超音波検査者は胎児解剖学の3つの標準的な2次元平面(頭、腹部、大腿骨)を識別し、画像に重要な解剖学的ランドマークを手動でマークして正確な生体計測と胎児重量の推定を行う必要がある。 これは、特に訓練生のソノグラフィーにとって、時間を要する演算子依存のタスクである。 コンピュータ支援技術は胎児生体計測計算プロセスの自動化に役立つ。 本稿では,胎児の体重評価に必要なすべての測定値を推定する統合的自動化フレームワークを提案する。 提案フレームワークでは, 胎児の解剖を最先端のセグメンテーションモデルを用いて意味的にセグメンテーションし, バイオメトリ推定のための領域適合とスケールリカバリを行った。 本研究は,42妊娠児の超音波標準平面画像のデータセットを用いて,4倍のクロスバリデーションにより,その堅牢性を示すセグメンテーションアルゴリズムのアブレーション研究である。 さらに, セグメンテーション性能のよいネットワークは, バイオメトリ推定において, より正確であることが示唆された。 さらに, 臨床測定と胎児バイオメトリーの誤差は, 定期的な臨床測定における許容誤差よりも低いことを示した。

関連論文リスト

• Whole-examination AI estimation of fetal biometrics from 20-week ultrasound scans [6.1751261266833986]
  生体計測における人間レベルの性能を実現するパラダイムシフトを導入する。 我々は畳み込みニューラルネットワークを用いて、超音波ビデオ記録の各フレームを分類する。 適切な解剖が観察できるフレーム毎に胎児の生体計測を計測する。
  論文  参考訳（メタデータ） (2024-01-02T13:04:41Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound Imaging [61.60067283680348]
  新型コロナウイルス(COVID-19)の世界的なパンデミックの出現に伴い、超音波画像を完全に自動化する必要がある。 本稿では,学習型コンピュータビジョン技術を取り入れた,視覚に基づくデータ駆動方式を提案する。 本手法は、プローブ位置決めのための15.52mm(9.47mm)、プローブ方位のための4.32(3.69deg)の精度を達成し、全走査目標に対する誤差閾値25mm以下で成功率を80%以上とした。
  論文  参考訳（メタデータ） (2022-12-15T14:34:12Z)
• BiometryNet: Landmark-based Fetal Biometry Estimation from Standard Ultrasound Planes [9.919499846996269]
  本稿では,胎児バイオメトリ推定のためのエンド・ツー・エンドのランドマーク回帰フレームワークであるBiometryNetについて述べる。 これには、ネットワークトレーニング中に測定固有の配向一貫性を強制する新しい動的配向決定(DOD)方法が含まれている。 本手法の有効性を検証するため, 臨床3施設で取得した1,829名の超音波画像3,398枚を, 異なる7種類の超音波装置を用いて収集した。
  論文  参考訳（メタデータ） (2022-06-29T14:32:32Z)
• Deep Learning Fetal Ultrasound Video Model Match Human Observers in Biometric Measurements [8.468600443532413]
  本研究では、胎児の身体部分の自動計測に深層畳み込みニューラルネットワーク(CNN)を用いる方法について検討する。 測定値の差は, サーバ間およびサーバ内変動の範囲内であった。 FUVAIは, 胎児の生体計測を臨床現場で行うソノグラフィーを支援する可能性を秘めている。
  論文  参考訳（メタデータ） (2022-05-27T09:00:19Z)
• Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep Learning Model For The Accurate Caliper Placement To Obtain Sonographic Measurements Of The Fetal Brain [0.0]
  経小脳平面(TC)の2次元USG画像から3つの重要な胎児脳バイオメトリーを計算するための深層学習(DL)手法を提案する。 U-Net DLモデルの精度を向上させるために,臨床的に関連するバイオメトリック制約(校正点間の関連性)とドメイン関連データ拡張を利用した。 いずれの場合も、個々のカリパーポイントの配置における平均誤差と計算されたバイオメトリーは、臨床医の誤差率に匹敵するものであった。
  論文  参考訳（メタデータ） (2022-03-28T04:00:22Z)
• FetalNet: Multi-task deep learning framework for fetal ultrasound biometric measurements [11.364211664829567]
  本稿では,FetalNetと呼ばれるマルチタスク・ニューラルネットワークについて,胎児超音波スキャン画像解析のためのアテンション機構とスタックモジュールを提案する。 胎児超音波画像解析の主な目的は、胎児の頭部、腹部、大腿骨を測定するための適切な基準面を見つけることである。 FetalNetという手法は,胎児超音波ビデオ記録における分類とセグメント化の両面で,既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2021-07-14T19:13:33Z)
• Assisted Probe Positioning for Ultrasound Guided Radiotherapy Using Image Sequence Classification [55.96221340756895]
  前立腺外照射療法における経皮的超音波画像誘導は, 患者設定中の各セッションにおけるプローブと前立腺の整合性を必要とする。 本研究では,画像とプローブ位置データの共同分類により,高精度なプローブ配置を確保する方法を示す。 マルチ入力マルチタスクアルゴリズムを用いて、光学的追跡された超音波プローブからの空間座標データを、繰り返しニューラルネットワークを用いて画像クラスシファイアと組み合わせ、リアルタイムで2セットの予測を生成する。 このアルゴリズムは平均(標準偏差)3.7$circ$ (1.2$circ$)の範囲内で最適なプローブアライメントを同定する。
  論文  参考訳（メタデータ） (2020-10-06T13:55:02Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。