論文の概要: Accurate and Efficient Fetal Birth Weight Estimation from 3D Ultrasound

• arxiv url: http://arxiv.org/abs/2507.00398v1
• Date: Tue, 01 Jul 2025 03:26:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.249403
• Title: Accurate and Efficient Fetal Birth Weight Estimation from 3D Ultrasound
• Title（参考訳）: 3次元超音波による胎児出生体重の推定
• Authors: Jian Wang, Qiongying Ni, Hongkui Yu, Ruixuan Yao, Jinqiao Ying, Bin Zhang, Xingyi Yang, Jin Peng, Jiongquan Chen, Junxuan Yu, Wenlong Shi, Chaoyu Chen, Zhongnuo Yan, Mingyuan Luo, Gaocheng Cai, Dong Ni, Jing Lu, Xin Yang,
• Abstract要約: 胎児の出生体重(FBW)を直接推定する最初の方法を提案する。 提案手法は,MFFN(Multi-scale feature fusion network)とSSLF(Synthetic sample-based learning framework)を統合した。 実験の結果,平均絶対誤差は166.4pm155.9$$$g$,平均絶対誤差は5.1pm4.6$%であった。
• 参考スコア（独自算出の注目度）: 29.69889062049553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate fetal birth weight (FBW) estimation is essential for optimizing delivery decisions and reducing perinatal mortality. However, clinical methods for FBW estimation are inefficient, operator-dependent, and challenging to apply in cases of complex fetal anatomy. Existing deep learning methods are based on 2D standard ultrasound (US) images or videos that lack spatial information, limiting their prediction accuracy. In this study, we propose the first method for directly estimating FBW from 3D fetal US volumes. Our approach integrates a multi-scale feature fusion network (MFFN) and a synthetic sample-based learning framework (SSLF). The MFFN effectively extracts and fuses multi-scale features under sparse supervision by incorporating channel attention, spatial attention, and a ranking-based loss function. SSLF generates synthetic samples by simply combining fetal head and abdomen data from different fetuses, utilizing semi-supervised learning to improve prediction performance. Experimental results demonstrate that our method achieves superior performance, with a mean absolute error of $166.4\pm155.9$ $g$ and a mean absolute percentage error of $5.1\pm4.6$%, outperforming existing methods and approaching the accuracy of a senior doctor. Code is available at: https://github.com/Qioy-i/EFW.
• Abstract（参考訳）: 正確な胎児出生体重(FBW)推定は、出産決定の最適化と周産期死亡率の低減に不可欠である。 しかし、FBW推定の臨床的手法は非効率であり、操作者に依存しており、複雑な胎児解剖学の場合には適用が困難である。 既存のディープラーニング手法は、空間情報を欠いた2D標準超音波画像やビデオに基づいており、予測精度を制限している。 本研究では, 3D fetal US volume からFBWを直接推定する手法を提案する。 本手法では,MFFN(Multi-scale feature fusion network)とSSLF(Synthetic sample-based learning framework)を統合した。 MFFNは、チャンネルアテンション、空間アテンション、ランキングベースのロス関数を組み込むことにより、スパース監視下のマルチスケール特徴を効果的に抽出し、ヒューズする。 SSLFは、胎児の頭と腹部のデータを簡単に組み合わせて、半教師付き学習を利用して、予測性能を向上させることで、合成サンプルを生成する。 実験の結果,提案手法は平均絶対誤差が166.4\pm155.9$$$g$,平均絶対誤差が5.1\pm4.6$%であり,既存手法よりも優れ,医師の精度に近づいていることがわかった。 コードは、https://github.com/Qioy-i/EFW.comで入手できる。

関連論文リスト

• Uncertainty-aware Diffusion and Reinforcement Learning for Joint Plane Localization and Anomaly Diagnosis in 3D Ultrasound [9.997984970090954]
  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。
  論文  参考訳（メタデータ） (2025-06-30T06:07:41Z)
• Automated Fetal Biometry Assessment with Deep Ensembles using Sparse-Sampling of 2D Intrapartum Ultrasound Images [12.535556165305618]
  本研究では,生体内および生体内変動を低減するための自動胎児バイオメトリ測定パイプラインを提案する。 我々はスパースサンプリングを行い、クラス不均衡を緩和し、タスクの急激な相関を減らした。 09452, F1: 0.9225, AUC: 0.983, MCC: 0.8361, DSC: 0.918, HD: 19.73, ASD: 5.71, $Delta_AoP$: 8.90, $Delta_HSD$: 14.35。
  論文  参考訳（メタデータ） (2025-05-20T16:31:09Z)
• Efficient Feature Extraction Using Light-Weight CNN Attention-Based Deep Learning Architectures for Ultrasound Fetal Plane Classification [3.998431476275487]
  本稿では,最大のベンチマークデータセットを分類するために,軽量な人工知能アーキテクチャを提案する。 アプローチは、ImageNet1kで事前トレーニングされた軽量のEfficientNet機能抽出バックボーンから微調整される。 本手法は,特徴を洗練するためのアテンション機構と3層パーセプトロンを組み込んだもので,トップ1の96.25%,トップ2の99.80%,F1スコアの0.9576で優れた性能を実現している。
  論文  参考訳（メタデータ） (2024-10-22T20:02:38Z)
• Automatic 3D Multi-modal Ultrasound Segmentation of Human Placenta using Fusion Strategies and Deep Learning [11.137087573421258]
  ヒト胎盤の自動3次元マルチモーダル(Bモードとパワードップラー)超音波セグメンテーションを提案する。 我々は,Bモードとパワードプラ法を併用したデータを収集し,400件の検査を行った。 その結果,Bモードとパワードップラースキャンによるマルチモーダル情報は,単一のモダリティよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-17T23:17:08Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• An Improved Model Ensembled of Different Hyper-parameter Tuned Machine Learning Algorithms for Fetal Health Prediction [1.332560004325655]
  本研究では,胎児の健康状態を予測するために,Support Vector MachineとExtraTreesのアンサンブルと呼ばれる頑健なアンサンブルモデルを提案する。 提案したETSEモデルは、100%精度、100%リコール、100%F1スコア、99.66%精度で他のモデルより優れていた。
  論文  参考訳（メタデータ） (2023-05-26T16:40:44Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)
• 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。