論文の概要: Sequential Spatial-Temporal Network for Interpretable Automatic Ultrasonic Assessment of Fetal Head during labor

• arxiv url: http://arxiv.org/abs/2503.15861v1
• Date: Thu, 20 Mar 2025 05:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:33:30.329104
• Title: Sequential Spatial-Temporal Network for Interpretable Automatic Ultrasonic Assessment of Fetal Head during labor
• Title（参考訳）: 労働時における胎児頭部の自動超音波診断のための逐次的空間時間ネットワーク
• Authors: Jie Gan, Zhuonan Liang, Jianan Fan, Lisa Mcguire, Caterina Watson, Jacqueline Spurway, Jillian Clarke, Weidong Cai,
• Abstract要約: ISUOGが確立した部内超音波ガイドは、胎児の頭部下降を評価するための重要な指標として、進行角(AoP)と頭部生理距離(HSD)を強調している。 SSTN(Sequential Spatial-Temporal Network)は,パートム内超音波解析の映像に特化して設計された最初の解釈可能なモデルである。 SSTNはまず超音波平面を識別し、その後、パビック症状や胎児の頭部などの解剖学的構造を分類し、最後にHSDとAoPの正確な測定のための重要なランドマークを検出する。
• 参考スコア（独自算出の注目度）: 4.460238079774995
• License:
• Abstract: The intrapartum ultrasound guideline established by ISUOG highlights the Angle of Progression (AoP) and Head Symphysis Distance (HSD) as pivotal metrics for assessing fetal head descent and predicting delivery outcomes. Accurate measurement of the AoP and HSD requires a structured process. This begins with identifying standardized ultrasound planes, followed by the detection of specific anatomical landmarks within the regions of the pubic symphysis and fetal head that correlate with the delivery parameters AoP and HSD. Finally, these measurements are derived based on the identified anatomical landmarks. Addressing the clinical demands and standard operation process outlined in the ISUOG guideline, we introduce the Sequential Spatial-Temporal Network (SSTN), the first interpretable model specifically designed for the video of intrapartum ultrasound analysis. The SSTN operates by first identifying ultrasound planes, then segmenting anatomical structures such as the pubic symphysis and fetal head, and finally detecting key landmarks for precise measurement of HSD and AoP. Furthermore, the cohesive framework leverages task-related information to improve accuracy and reliability. Experimental evaluations on clinical datasets demonstrate that SSTN significantly surpasses existing models, reducing the mean absolute error by 18% for AoP and 22% for HSD.
• Abstract（参考訳）: ISUOGが確立した部内超音波ガイドでは、胎児の頭頂部への進展角(AoP)と頭部交感神経遠位(HSD)が、胎児の頭頂部への降下と出産の予測の指標として強調されている。 AoPとHSDの正確な測定には、構造化プロセスが必要である。 これは、標準化された超音波平面を識別することから始まり、続いて、デリバリーパラメータAoPとHSDと相関する、パビックな症状と胎児の頭部の領域内の特定の解剖学的ランドマークを検出する。 最後に、これらの測定は、同定された解剖学的ランドマークに基づいて導出される。 ISUOGのガイドラインに概説された臨床要件と標準的な手術プロセスに対処し, 経時的空間時間ネットワーク (Sequential Spatial-Temporal Network, SSTN) を導入する。 SSTNはまず超音波平面を識別し、その後、パビック症状や胎児の頭部などの解剖学的構造を分類し、最後にHSDとAoPの正確な測定のための重要なランドマークを検出する。 さらに、この凝集フレームワークはタスク関連情報を活用し、精度と信頼性を向上させる。 臨床データを用いた実験の結果,SSTNは既存のモデルよりも有意に優れており,平均絶対誤差はAoPが18%,HSDが22%減少していた。

関連論文リスト

• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• 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)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• Towards A Device-Independent Deep Learning Approach for the Automated Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and Multi-Device Validation [0.0]
  胎児脳USG画像(2D)から得られた2軸平面から10個の重要な胎児脳構造の自動分割のためのDLベースセグメンテーションフレームワークを提案する。 提案するDLシステムは,有望かつ汎用的な性能(マルチセンタ,マルチデバイス)を提供し,画像品質のデバイスによる変動を支持する証拠を提示する。
  論文  参考訳（メタデータ） (2022-02-28T05:42:03Z)
• The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
  脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。 BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。 BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
  論文  参考訳（メタデータ） (2021-12-13T19:25:16Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• 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。