論文の概要: Semantic Scene Graph for Ultrasound Image Explanation and Scanning Guidance

• arxiv url: http://arxiv.org/abs/2506.19683v1
• Date: Tue, 24 Jun 2025 14:49:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.681884
• Title: Semantic Scene Graph for Ultrasound Image Explanation and Scanning Guidance
• Title（参考訳）: 超音波画像説明と走査誘導のためのセマンティックシーングラフ
• Authors: Xuesong Li, Dianye Huang, Yameng Zhang, Nassir Navab, Zhongliang Jiang,
• Abstract要約: 本研究では,超音波画像のシーングラフ(SG)を用いて画像内容の説明を行う。 予測されたSGは、超音波スキャンを行方不明の解剖に導く可能性を探っている。 左頸部領域と右頸部領域の画像に対して,SGによる画像説明とスキャン指導の有効性が検証された。
• 参考スコア（独自算出の注目度）: 38.90025585894763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding medical ultrasound imaging remains a long-standing challenge due to significant visual variability caused by differences in imaging and acquisition parameters. Recent advancements in large language models (LLMs) have been used to automatically generate terminology-rich summaries orientated to clinicians with sufficient physiological knowledge. Nevertheless, the increasing demand for improved ultrasound interpretability and basic scanning guidance among non-expert users, e.g., in point-of-care settings, has not yet been explored. In this study, we first introduce the scene graph (SG) for ultrasound images to explain image content to ordinary and provide guidance for ultrasound scanning. The ultrasound SG is first computed using a transformer-based one-stage method, eliminating the need for explicit object detection. To generate a graspable image explanation for ordinary, the user query is then used to further refine the abstract SG representation through LLMs. Additionally, the predicted SG is explored for its potential in guiding ultrasound scanning toward missing anatomies within the current imaging view, assisting ordinary users in achieving more standardized and complete anatomical exploration. The effectiveness of this SG-based image explanation and scanning guidance has been validated on images from the left and right neck regions, including the carotid and thyroid, across five volunteers. The results demonstrate the potential of the method to maximally democratize ultrasound by enhancing its interpretability and usability for ordinaries.
• Abstract（参考訳）: 医用超音波画像の理解は、画像と取得パラメータの違いによって引き起こされる視覚的変化により、長年にわたる課題である。 大規模言語モデル(LLM)の最近の進歩は、十分な生理的知識を持つ臨床医に向けられた用語に富んだ要約を自動生成するために使われてきた。 しかし,非専門的ユーザ(例えば,ポイント・オブ・ケア・セッティング)の間では,超音波の解釈性の向上や基本的な走査指導の需要が高まっている。 本研究ではまず,超音波画像のシーングラフ(SG)を用いて画像内容の説明を行い,超音波スキャンのガイダンスを提供する。 超音波SGは、まずトランスを用いた一段階法を用いて計算され、明示的な物体検出の必要性がなくなる。 通常の画像説明を生成するために、ユーザクエリを使用して、LLMを通して抽象的なSG表現をさらに洗練する。 さらに、予測されたSGは、現在の画像ビュー内の欠落した解剖に超音波スキャンを誘導し、より標準化され完全な解剖学的探索を達成するのに役立つ可能性を探っている。 このSGによる画像説明とスキャン指導の有効性は,5名のボランティアを対象に,頸動脈,甲状腺を含む左右頸部領域の画像に対して検証された。 その結果, 超音波の解釈性や使用性を高めることにより, 超音波の最大民主化の可能性を示した。

関連論文リスト

• Uterine Ultrasound Image Captioning Using Deep Learning Techniques [0.0]
  本稿では,深層学習を用いた医用画像キャプションについて検討し,特に子宮内超音波画像に焦点を当てた。 我々の研究は、タイムリーで正確な診断を行う医療専門家を支援することを目的としており、最終的には患者ケアの改善に寄与する。
  論文  参考訳（メタデータ） (2024-11-21T11:41:42Z)
• S-CycleGAN: Semantic Segmentation Enhanced CT-Ultrasound Image-to-Image Translation for Robotic Ultrasonography [2.07180164747172]
  我々はS-CycleGANと呼ばれる高度なディープラーニングモデルを導入し,CTデータから高品質な合成超音波画像を生成する。 合成画像を用いて,ロボット支援超音波スキャンシステムの開発の諸側面を解明する。
  論文  参考訳（メタデータ） (2024-06-03T10:53:45Z)
• Breast Ultrasound Report Generation using LangChain [58.07183284468881]
  本稿では,Large Language Models (LLM) を用いたLangChainによる複数の画像解析ツールを胸部報告プロセスに統合することを提案する。 本手法は,超音波画像から関連する特徴を正確に抽出し,臨床的文脈で解釈し,包括的で標準化された報告を生成する。
  論文  参考訳（メタデータ） (2023-12-05T00:28:26Z)
• 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)
• 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)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
  光音響イメージングは医療に革命をもたらす可能性がある。 この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。 本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-20T09:33:55Z)
• Ultrasound Image Classification using ACGAN with Small Training Dataset [0.0]
  ディープラーニングモデルのトレーニングには大きなラベル付きデータセットが必要であるが、超音波画像では利用できないことが多い。 我々は、大規模データ拡張と転送学習の利点を組み合わせた、ジェネレーティブ・アドバイサル・ネットワーク(ACGAN)を利用する。 乳房超音波画像のデータセットを用いて,提案手法の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2021-01-31T11:11:24Z)

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。