論文の概要: FetalNet: Multi-task deep learning framework for fetal ultrasound
biometric measurements
- arxiv url: http://arxiv.org/abs/2107.06943v1
- Date: Wed, 14 Jul 2021 19:13:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-16 14:16:25.355002
- Title: FetalNet: Multi-task deep learning framework for fetal ultrasound
biometric measurements
- Title（参考訳）: FetalNet:胎児超音波生体計測のためのマルチタスクディープラーニングフレームワーク
- Authors: Szymon P{\l}otka, Tomasz W{\l}odarczyk, Adam Klasa, Micha{\l} Lipa,
Arkadiusz Sitek, Tomasz Trzci\'nski
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.364211664829567
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we propose an end-to-end multi-task neural network called
FetalNet with an attention mechanism and stacked module for spatio-temporal
fetal ultrasound scan video analysis. Fetal biometric measurement is a standard
examination during pregnancy used for the fetus growth monitoring and
estimation of gestational age and fetal weight. The main goal in fetal
ultrasound scan video analysis is to find proper standard planes to measure the
fetal head, abdomen and femur. Due to natural high speckle noise and shadows in
ultrasound data, medical expertise and sonographic experience are required to
find the appropriate acquisition plane and perform accurate measurements of the
fetus. In addition, existing computer-aided methods for fetal US biometric
measurement address only one single image frame without considering temporal
features. To address these shortcomings, we propose an end-to-end multi-task
neural network for spatio-temporal ultrasound scan video analysis to
simultaneously localize, classify and measure the fetal body parts. We propose
a new encoder-decoder segmentation architecture that incorporates a
classification branch. Additionally, we employ an attention mechanism with a
stacked module to learn salient maps to suppress irrelevant US regions and
efficient scan plane localization. We trained on the fetal ultrasound video
comes from routine examinations of 700 different patients. Our method called
FetalNet outperforms existing state-of-the-art methods in both classification
and segmentation in fetal ultrasound video recordings.
- Abstract（参考訳）: 本稿では,時空間超音波スキャンビデオ解析のための注意機構と積み重ねモジュールを備えた,エンドツーエンドのマルチタスクニューラルネットワークであるfetalnetを提案する。
胎児生体計測は胎児成長モニタリングおよび妊娠年齢と胎児体重の推定に使用される妊娠中の標準検査である。
胎児超音波スキャンビデオ解析の主な目標は、胎児の頭、腹部、大腿骨を測定するための適切な標準平面を見つけることである。
超音波データにおける天然の高スペックルノイズと影のため、適切な取得面を見つけ、胎児の正確な測定を行うためには、医療専門知識と超音波経験が必要である。
また, 胎児の生体計測のためのコンピュータ支援手法は, 時間的特徴を考慮せずに, 1つの画像フレームのみに限られている。
これらの問題点に対処するために,胎児の部位を同時に局所化し,分類し,測定するために,時空間超音波スキャンビデオ解析のためのエンドツーエンドマルチタスクニューラルネットワークを提案する。
分類分岐を組み込んだ新しいエンコーダ・デコーダセグメンテーションアーキテクチャを提案する。
さらに,無関係な米国地域を抑圧し,効率的なスキャン平面位置決めを行うために,モジュールを積み重ねたアテンション機構を応用した。
胎児超音波検査は,700名の異なる患者の定期検査から得られた。
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方において既存の最先端手法よりも優れている。
関連論文リスト
- MMSummary: Multimodal Summary Generation for Fetal Ultrasound Video [13.231546105751015]
医療画像用マルチモーダル生成装置MMSummaryについて,特に胎児超音波検査を中心に紹介した。
MMSummaryは3段階のパイプラインとして設計されており、解剖学的検出からキャプション、最後にセグメンテーションと測定まで進歩している。
報告された実験に基づいて、スキャン時間を約31.5%削減し、ワークフロー効率を向上させる可能性を示唆している。
論文 参考訳（メタデータ） (2024-08-07T13:30:58Z) - Multi-Task Learning Approach for Unified Biometric Estimation from Fetal
Ultrasound Anomaly Scans [0.8213829427624407]
本稿では,頭部,腹部,大腿骨に領域を分類するマルチタスク学習手法を提案する。
頭部周囲の平均絶対誤差は1.08mm,腹部周囲は1.44mm,大腿骨骨長は1.10mm,分類精度は99.91%であった。
論文 参考訳（メタデータ） (2023-11-16T06:35:02Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳（メタデータ） (2023-09-25T19:34:12Z) - Tissue Segmentation of Thick-Slice Fetal Brain MR Scans with Guidance
from High-Quality Isotropic Volumes [52.242103848335354]
本稿では,高品位等方性ボリュームから学習した知識を高密度スライススキャンの正確な組織セグメント化のために効率的に伝達するC2DA-Netを提案する。
我々のC2DA-Netは、注釈のない厚いスライススキャンで組織分画をガイドするために、注釈付き等方性ボリュームの小さなセットを十分に利用できる。
論文 参考訳（メタデータ） (2023-08-13T12:51:15Z) - 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) - 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) - BabyNet: Residual Transformer Module for Birth Weight Prediction on
Fetal Ultrasound Video [8.468600443532413]
本稿では,Residual Transformer Moduleを提案する。Residual Transformer Moduleは2D+t時間超音波ビデオスキャンの解析のために3D ResNetベースのネットワークを拡張している。
BabyNetと呼ばれるエンドツーエンドの手法は、胎児の超音波ビデオスキャンに基づいて胎児の体重を自動的に予測する。
論文 参考訳（メタデータ） (2022-05-19T08:27:23Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - AutoFB: Automating Fetal Biometry Estimation from Standard Ultrasound
Planes [10.745788530692305]
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。
論文 参考訳（メタデータ） (2021-07-12T08:42:31Z) - 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)
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。