論文の概要: Multi-Task Learning Approach for Unified Biometric Estimation from Fetal Ultrasound Anomaly Scans

• arxiv url: http://arxiv.org/abs/2311.09607v1
• Date: Thu, 16 Nov 2023 06:35:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 16:13:31.368701
• Title: Multi-Task Learning Approach for Unified Biometric Estimation from Fetal Ultrasound Anomaly Scans
• Title（参考訳）: 胎児超音波異常スコープを用いたマルチタスク学習による生体計測
• Authors: Mohammad Areeb Qazi, Mohammed Talha Alam, Ibrahim Almakky, Werner Gerhard Diehl, Leanne Bricker, Mohammad Yaqub
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.8213829427624407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise estimation of fetal biometry parameters from ultrasound images is vital for evaluating fetal growth, monitoring health, and identifying potential complications reliably. However, the automated computerized segmentation of the fetal head, abdomen, and femur from ultrasound images, along with the subsequent measurement of fetal biometrics, remains challenging. In this work, we propose a multi-task learning approach to classify the region into head, abdomen and femur as well as estimate the associated parameters. We were able to achieve a mean absolute error (MAE) of 1.08 mm on head circumference, 1.44 mm on abdomen circumference and 1.10 mm on femur length with a classification accuracy of 99.91\% on a dataset of fetal Ultrasound images. To achieve this, we leverage a weighted joint classification and segmentation loss function to train a U-Net architecture with an added classification head. The code can be accessed through \href{https://github.com/BioMedIA-MBZUAI/Multi-Task-Learning-Approach-for-Unified-Biometric-Estimation-fro m-Fetal-Ultrasound-Anomaly-Scans.git}{\texttt{Github}
• Abstract（参考訳）: 超音波画像からの胎児バイオメトリパラメータの正確な推定は、胎児の成長、健康状態のモニタリング、潜在的な合併症の特定に不可欠である。 しかし, 超音波画像による胎児頭部, 腹部, 大腿骨の自動分画は, その後の胎児バイオメトリックスの測定とともに困難である。 本研究では,頭部,腹部,大腿骨に領域を分類し,関連するパラメータを推定するマルチタスク学習手法を提案する。 胎児超音波画像のデータセットにおいて,平均絶対誤差(mae)は頭周囲1.08mm,腹部周囲1.44mm,大腿骨長1.10mmであり,分類精度99.91\%であった。 これを実現するために, 重み付きジョイント分類とセグメンテーション損失関数を利用して, 付加された分類ヘッドを用いてu-netアーキテクチャを訓練する。 コードは \href{https://github.com/BioMedIA-MBZUAI/Multi-Task-Learning-for-Unified-Biometric-Estimation-from-Fetal-U ltrasound-Anomaly-Scans.git}{\texttt{Github} を通じてアクセスすることができる。

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)
• 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)
• 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)
• Orientation-guided Graph Convolutional Network for Bone Surface Segmentation [51.51690515362261]
  骨表面をセグメント化しながら接続性を向上する指向性グラフ畳み込みネットワークを提案する。 提案手法は,接続距離を5.01%向上させる。
  論文  参考訳（メタデータ） (2022-06-16T23:01:29Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)
• 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)
• 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)
• Delineating Bone Surfaces in B-Mode Images Constrained by Physics of Ultrasound Propagation [4.669073579457748]
  超音波における骨表面のデライン化は, 診断, 手術計画, 術後の整形外科的経過に有意な関連がある。 骨表面のデライン化を目的として,超音波伝搬の物理を因子グラフの定式化にエンコードする手法を提案する。
  論文  参考訳（メタデータ） (2020-01-07T12:34:42Z)

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。