論文の概要: Uncertainty-aware Diffusion and Reinforcement Learning for Joint Plane Localization and Anomaly Diagnosis in 3D Ultrasound
- arxiv url: http://arxiv.org/abs/2506.23538v1
- Date: Mon, 30 Jun 2025 06:07:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.935527
- Title: Uncertainty-aware Diffusion and Reinforcement Learning for Joint Plane Localization and Anomaly Diagnosis in 3D Ultrasound
- Title（参考訳）: 3次元超音波における関節面の局在と異常診断のための不確実性認識拡散と強化学習
- Authors: Yuhao Huang, Yueyue Xu, Haoran Dou, Jiaxiao Deng, Xin Yang, Hongyu Zheng, Dong Ni,
- Abstract要約: 先天性子宮奇形(CUA)は不妊、流産、妊娠前出生、妊娠合併症のリスクの増加につながる。
本稿では,自動航空機位置推定とCUA診断を同時に行うインテリジェントシステムを提案する。
- 参考スコア（独自算出の注目度）: 9.997984970090954
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Congenital uterine anomalies (CUAs) can lead to infertility, miscarriage, preterm birth, and an increased risk of pregnancy complications. Compared to traditional 2D ultrasound (US), 3D US can reconstruct the coronal plane, providing a clear visualization of the uterine morphology for assessing CUAs accurately. In this paper, we propose an intelligent system for simultaneous automated plane localization and CUA diagnosis. Our highlights are: 1) we develop a denoising diffusion model with local (plane) and global (volume/text) guidance, using an adaptive weighting strategy to optimize attention allocation to different conditions; 2) we introduce a reinforcement learning-based framework with unsupervised rewards to extract the key slice summary from redundant sequences, fully integrating information across multiple planes to reduce learning difficulty; 3) we provide text-driven uncertainty modeling for coarse prediction, and leverage it to adjust the classification probability for overall performance improvement. Extensive experiments on a large 3D uterine US dataset show the efficacy of our method, in terms of plane localization and CUA diagnosis. Code is available at https://github.com/yuhoo0302/CUA-US.
- Abstract（参考訳）: 先天性子宮奇形(CUA)は不妊、流産、妊娠前出生、妊娠合併症のリスクの増加につながる。
従来の2D超音波(US)と比較して、3D USは冠動脈平面を再構築することができ、CUAを正確に評価するための子宮形態をはっきりと可視化することができる。
本稿では,自動航空機位置推定とCUA診断を同時に行うインテリジェントシステムを提案する。
私たちのハイライトは以下のとおりです。
1) 局所的(平面)と大域的(体積/テクスト)誘導による認知拡散モデルを構築し, 適応重み付け戦略を用いて, 異なる条件への注意配分を最適化する。
2) 教師なし報酬を伴う強化学習に基づくフレームワークを導入し, 余分なシーケンスからキースライスを抽出し, 学習難易度を低減するため, 複数面にわたる情報を完全に統合する。
3) 粗い予測のためのテキスト駆動の不確実性モデリングを行い, 全体の性能改善のための分類確率の調整に活用する。
大規模な3次元子宮USデータセットに対する広範囲な実験により,平面局在化とCUA診断の点から,本手法の有効性が示された。
コードはhttps://github.com/yuhoo0302/CUA-USで入手できる。
関連論文リスト
- A Lesson in Splats: Teacher-Guided Diffusion for 3D Gaussian Splats Generation with 2D Supervision [65.33043028101471]
本研究では,ガウスプレートの拡散モデルであるSplatDiffusionを導入し,単一画像から3次元構造を生成する。
既存の方法は決定論的フィードフォワード予測に依存しており、2Dデータからの3D推論の本質的な曖昧さを扱う能力を制限する。
論文 参考訳（メタデータ） (2024-12-01T00:29:57Z) - Reliable Multi-View Learning with Conformal Prediction for Aortic Stenosis Classification in Echocardiography [6.540741143328299]
得られた画像は、しばしば3次元解剖学の2次元断面であり、重要な解剖学的詳細を欠いている可能性がある。
トレーニングセット内の弱い情報入力に不確実性を導入するデータ中心の手法であるRe-Training for Uncertainty (RT4U)を提案する。
共形予測技術と組み合わせると、RT4Uは、基底真理クラスを含むことが保証される適応的な大きさの予測セットを高精度に得ることができる。
論文 参考訳（メタデータ） (2024-09-15T10:06:06Z) - Ultrasound Plane Pose Regression: Assessing Generalized Pose Coordinates
in the Fetal Brain [9.465965149145559]
我々は,センサを付加することなく,3次元可視化,トレーニング,ガイダンスのための米国の航空機ローカライゼーションシステムを構築することを目指している。
この研究は、胎児の脳をスライスする米国飛行機の6次元(6次元)のポーズを予測する、これまでの研究に基づいています。
トレーニングおよびテストデータにおける登録品質の影響とその後のトレーニングモデルへの影響について検討する。
論文 参考訳（メタデータ） (2023-01-19T21:16:36Z) - Agent with Tangent-based Formulation and Anatomical Perception for
Standard Plane Localization in 3D Ultrasound [56.7645826576439]
3D USにおけるSP自動位置決めのための新しい強化学習フレームワークを提案する。
まず、RLにおける接点に基づく問題として、3D USにおけるSP局所化を定式化し、作用空間を再構成する。
第2に、平面探索における非SPとSPの交差する微妙な違いを認識するモデルの能力を高めるための補助的タスク学習戦略を設計する。
論文 参考訳（メタデータ） (2022-07-01T14:53:27Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound
Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。
既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。
複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文 参考訳（メタデータ） (2021-07-31T16:06:50Z) - Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound [15.573821037925143]
3D超音波は複数の標準平面(SP)を1枚のショットに収めることができる。
3D USにおける手動SPのローカライゼーションは、画像品質が低く、検索スペースが大きく、解剖学的変動が大きいため、難しい。
3DUSで複数のSPを同時にローカライズするマルチエージェント強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-22T02:48:23Z) - Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound [59.97366727654676]
3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。
米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。
本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-30T07:23:55Z) - Agent with Warm Start and Active Termination for Plane Localization in
3D Ultrasound [56.14006424500334]
超音波(US)診断には標準面の局在が不可欠である。
出生前のアメリカでは、何十もの標準的な飛行機が手動で2Dプローブで取得される。
胎児脳標準平面を3DUSで自動的に局所化するための新しい強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2019-10-10T02:21:52Z)
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。