論文の概要: Fusing Radiomic Features with Deep Representations for Gestational Age Estimation in Fetal Ultrasound Images

• arxiv url: http://arxiv.org/abs/2506.20407v2
• Date: Fri, 27 Jun 2025 21:41:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 13:01:42.723344
• Title: Fusing Radiomic Features with Deep Representations for Gestational Age Estimation in Fetal Ultrasound Images
• Title（参考訳）: 胎児超音波画像における静止年齢推定のための深部表現を用いた拡散放射能特性
• Authors: Fangyijie Wang, Yuan Liang, Sourav Bhattacharjee, Abey Campbell, Kathleen M. Curran, Guénolé Silvestre,
• Abstract要約: 胎児超音波画像を用いて妊娠年齢(GA)を計測するための新しい特徴融合フレームワークを提案する。 我々のフレームワークは、GAを3つのトリメータで平均8.0日間の絶対誤差で推定し、これらの妊娠期において現在の機械学習手法よりも優れている。
• 参考スコア（独自算出の注目度）: 5.626701242497243
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate gestational age (GA) estimation, ideally through fetal ultrasound measurement, is a crucial aspect of providing excellent antenatal care. However, deriving GA from manual fetal biometric measurements depends on the operator and is time-consuming. Hence, automatic computer-assisted methods are demanded in clinical practice. In this paper, we present a novel feature fusion framework to estimate GA using fetal ultrasound images without any measurement information. We adopt a deep learning model to extract deep representations from ultrasound images. We extract radiomic features to reveal patterns and characteristics of fetal brain growth. To harness the interpretability of radiomics in medical imaging analysis, we estimate GA by fusing radiomic features and deep representations. Our framework estimates GA with a mean absolute error of 8.0 days across three trimesters, outperforming current machine learning-based methods at these gestational ages. Experimental results demonstrate the robustness of our framework across different populations in diverse geographical regions. Our code is publicly available on \href{https://github.com/13204942/RadiomicsImageFusion_FetalUS}.
• Abstract（参考訳）: 胎児超音波による正確な妊娠年齢(GA)推定は、優れた産科医療を提供する上で重要な側面である。 しかし、手動の胎児の生体計測からGAを導出することは、演算子に依存し、時間を要する。 したがって、臨床実践において自動コンピュータ支援法が要求される。 本稿では,胎児超音波画像を用いてGAを計測するための新しい特徴融合フレームワークを提案する。 超音波画像から深部表現を抽出する深部学習モデルを採用する。 胎児の脳成長のパターンと特徴を明らかにするために放射線学的特徴を抽出する。 医用画像解析における放射線学の解釈可能性を活用するために,放射線学的特徴と深部表現を融合させてGAを推定する。 我々のフレームワークは、GAを3つのトリメータで平均8.0日間の絶対誤差で推定し、これらの妊娠期において現在の機械学習手法よりも優れている。 実験により, 多様な地理的地域において, 異なる集団にまたがる枠組みの堅牢性を示すことができた。 我々のコードは \href{https://github.com/13204942/RadiomicsImageFusion_FetalUS} で公開されている。

関連論文リスト

• Multi-Center Study on Deep Learning-Assisted Detection and Classification of Fetal Central Nervous System Anomalies Using Ultrasound Imaging [11.261565838608488]
  出生前超音波は胎児の成長を評価し、妊娠中に先天性異常を検出する。 深層学習モデルを構築し,胎児頭蓋異常の診断の総合的精度を向上させる。
  論文  参考訳（メタデータ） (2025-01-01T07:56:26Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• 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)
• 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)
• Enabling faster and more reliable sonographic assessment of gestational age through machine learning [1.3238745915345225]
  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。
  論文  参考訳（メタデータ） (2022-03-22T17:15:56Z)
• 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)
• Deep learning in the ultrasound evaluation of neonatal respiratory status [11.308283140003676]
  肺超音波検査は科学界から関心を集めている。 画像解析とパターン認識のアプローチは、これらのデータに含まれる豊富な情報を十分に活用できることを証明している。 本稿では、近年のディープラーニングネットワークと、大規模かつ挑戦的なマルチセンターデータセット上で実施されているトレーニング戦略について、徹底的に分析する。
  論文  参考訳（メタデータ） (2020-10-31T18:57:55Z)
• 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。