論文の概要: Enabling faster and more reliable sonographic assessment of gestational age through machine learning

• arxiv url: http://arxiv.org/abs/2203.11903v1
• Date: Tue, 22 Mar 2022 17:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 14:03:43.838128
• Title: Enabling faster and more reliable sonographic assessment of gestational age through machine learning
• Title（参考訳）: 機械学習による静止年齢の高速・高信頼性評価の実現
• Authors: Chace Lee, Angelica Willis, Christina Chen, Marcin Sieniek, Akib Uddin, Jonny Wong, Rory Pilgrim, Katherine Chou, Daniel Tse, Shravya Shetty, Ryan G. Gomes
• Abstract要約: 胎児超音波は出生前治療の不可欠な部分であり、妊娠年齢(GA)を推定するために用いられる。 我々は,標準平面画像を用いた画像モデル,フライトビデオを用いたビデオモデル,アンサンブルモデル(画像とビデオの組み合わせ)の3つのAIモデルを開発した。 これら3種は, 専門ソノグラフィーによる標準胎児バイオメトリに基づくGA推定よりも統計的に優れていた。
• 参考スコア（独自算出の注目度）: 1.3238745915345225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fetal ultrasounds are an essential part of prenatal care and can be used to estimate gestational age (GA). Accurate GA assessment is important for providing appropriate prenatal care throughout pregnancy and identifying complications such as fetal growth disorders. Since derivation of GA from manual fetal biometry measurements (head, abdomen, femur) are operator-dependent and time-consuming, there have been a number of research efforts focused on using artificial intelligence (AI) models to estimate GA using standard biometry images, but there is still room to improve the accuracy and reliability of these AI systems for widescale adoption. To improve GA estimates, without significant change to provider workflows, we leverage AI to interpret standard plane ultrasound images as well as 'fly-to' ultrasound videos, which are 5-10s videos automatically recorded as part of the standard of care before the still image is captured. We developed and validated three AI models: an image model using standard plane images, a video model using fly-to videos, and an ensemble model (combining both image and video). All three were statistically superior to standard fetal biometry-based GA estimates derived by expert sonographers, the ensemble model has the lowest mean absolute error (MAE) compared to the clinical standard fetal biometry (mean difference: -1.51 $\pm$ 3.96 days, 95% CI [-1.9, -1.1]) on a test set that consisted of 404 participants. We showed that our models outperform standard biometry by a more substantial margin on fetuses that were small for GA. Our AI models have the potential to empower trained operators to estimate GA with higher accuracy while reducing the amount of time required and user variability in measurement acquisition.
• Abstract（参考訳）: 胎児超音波は出生前治療の不可欠な部分であり、妊娠年齢(GA)を推定するために用いられる。 妊娠中における適切な妊娠前ケアの提供と胎児成長障害などの合併症の特定には,正確なGA評価が重要である。 手動胎児計測(頭部,腹部,大腿骨)からのGAの導出は操作者に依存し,時間を要するため,標準的な生体計測画像を用いてGAを推定するために人工知能(AI)モデルを用いた研究が数多く行われているが,これらのAIシステムの精度と信頼性を広く採用するためには,依然として改善の余地がある。 GA推定を改善するために、プロバイダのワークフローに大きな変更を加えることなく、AIを活用して標準平面超音波画像と、静止画像がキャプチャされる前の標準ケアの一部として自動的に記録される5-10sビデオである「フライ・トゥ」超音波映像を解釈する。 我々は,標準平面画像を用いた画像モデル,フライトビデオを用いたビデオモデル,アンサンブルモデル(画像とビデオの組み合わせ)の3つのAIモデルを開発し,検証した。 3つとも、標準胎児バイオメトリに基づくga推定より統計的に優れており、404人の被験者からなるテストセットにおいて、臨床標準胎児バイオメトリ (-1.51$\pm$ 3.96日、95% ci [-1.9, -1.1]) と比較して、アンサンブルモデルは最低平均絶対誤差 (mae) である。 以上の結果より, GAでは小さかった胎児に対して, 標準バイオメトリよりも有意差が認められた。 我々のAIモデルは、訓練されたオペレーターに、測定取得に必要な時間とユーザの多様性を低減しつつ、高い精度でGAを推定する能力を持つ。

関連論文リスト

• Comparison of marker-less 2D image-based methods for infant pose estimation [2.7726930707973048]
  GMA(General Movement Assessment)は、乳児運動機能(英語版)を分類するためのビデオベースのツールである。 一般用および幼児用推定器の性能と最適な記録のための視角の選択を比較した。 以上の結果から,成人のViTPoseを訓練する上で,最も優れた行動モデルが幼児の行動に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-07T12:21:49Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• An Improved Model Ensembled of Different Hyper-parameter Tuned Machine Learning Algorithms for Fetal Health Prediction [1.332560004325655]
  本研究では,胎児の健康状態を予測するために,Support Vector MachineとExtraTreesのアンサンブルと呼ばれる頑健なアンサンブルモデルを提案する。 提案したETSEモデルは、100%精度、100%リコール、100%F1スコア、99.66%精度で他のモデルより優れていた。
  論文  参考訳（メタデータ） (2023-05-26T16:40:44Z)
• 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)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• 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)
• AI system for fetal ultrasound in low-resource settings [6.601152168099057]
  妊娠年齢 (GA) と胎児の誤表現を推定するために, 初心者が取得した"盲検"超音波ビデオを用いた人工知能システムを開発し, 検証した。 我々のAIモデルは、低リソース設定で軽量に訓練された超音波オペレーターの能力の高水準化を支援する可能性がある。
  論文  参考訳（メタデータ） (2022-03-18T19:39:34Z)
• 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)
• Spontaneous preterm birth prediction using convolutional neural networks [8.47519763941156]
  毎年1500万人の赤ちゃんが生まれ過ぎている。 妊娠末期(PTB)の合併症により、毎年約100万人が死亡している。
  論文  参考訳（メタデータ） (2020-08-16T21:21:33Z)
• 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。