論文の概要: Medical-Knowledge Driven Multiple Instance Learning for Classifying Severe Abdominal Anomalies on Prenatal Ultrasound

• arxiv url: http://arxiv.org/abs/2507.01401v1
• Date: Wed, 02 Jul 2025 06:31:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.072278
• Title: Medical-Knowledge Driven Multiple Instance Learning for Classifying Severe Abdominal Anomalies on Prenatal Ultrasound
• Title（参考訳）: 出生前超音波による重度腹部奇形分類のための医用知識駆動型マルチインスタンス学習
• Authors: Huanwen Liang, Jingxian Xu, Yuanji Zhang, Yuhao Huang, Yuhan Zhang, Xin Yang, Ran Li, Xuedong Deng, Yanjun Liu, Guowei Tao, Yun Wu, Sheng Zhao, Xinru Gao, Dong Ni,
• Abstract要約: 出生前超音波における胎児腹部異常の分類のためのケースレベル多重学習法(MIL)を開発した。 まず、様々な航空機の異なる注意ヘッドを重み付けするために、MOAE(mixed-of-attention-experts Module)を採用する。 第2に,画像特徴と医用知識を整合させる医用知識駆動型特徴選択モジュール(MFS)を提案する。
• 参考スコア（独自算出の注目度）: 28.27148137256845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fetal abdominal malformations are serious congenital anomalies that require accurate diagnosis to guide pregnancy management and reduce mortality. Although AI has demonstrated significant potential in medical diagnosis, its application to prenatal abdominal anomalies remains limited. Most existing studies focus on image-level classification and rely on standard plane localization, placing less emphasis on case-level diagnosis. In this paper, we develop a case-level multiple instance learning (MIL)-based method, free of standard plane localization, for classifying fetal abdominal anomalies in prenatal ultrasound. Our contribution is three-fold. First, we adopt a mixture-of-attention-experts module (MoAE) to weight different attention heads for various planes. Secondly, we propose a medical-knowledge-driven feature selection module (MFS) to align image features with medical knowledge, performing self-supervised image token selection at the case-level. Finally, we propose a prompt-based prototype learning (PPL) to enhance the MFS. Extensively validated on a large prenatal abdominal ultrasound dataset containing 2,419 cases, with a total of 24,748 images and 6 categories, our proposed method outperforms the state-of-the-art competitors. Codes are available at:https://github.com/LL-AC/AAcls.
• Abstract（参考訳）: 胎児腹部奇形は重篤な先天性奇形であり、妊娠管理をガイドし死亡率を下げるために正確な診断を必要とする。 AIは診断に有意な可能性を示しているが、出生前腹部異常に対する応用は依然として限られている。 既存の研究の多くは画像レベルの分類に重点を置いており、標準的な平面の局所化に依存しており、ケースレベルの診断にはあまり重点を置いていない。 本稿では,乳児期超音波検査における胎児腹部異常の分類のためのケースレベル多重学習法(MIL)を開発した。 私たちの貢献は3倍です。 まず,様々な平面に対して異なる注目ヘッドを重み付けするために,混合注意試験モジュール(MoAE)を採用する。 第2に,画像特徴を医療知識と整合させるための医療知識駆動型特徴選択モジュール (MFS) を提案し,ケースレベルで自己監督型画像トークン選択を行う。 最後に,MFS向上のためのプロンプトベースプロトタイプ学習(PPL)を提案する。 24,748枚の画像と6つのカテゴリを含む2,419件の腹部超音波データセットを大々的に検証し,本手法は最先端の競合相手よりも優れていた。 コードは、https://github.com/LL-AC/AAclsで入手できる。

関連論文リスト

• SD-MAD: Sign-Driven Few-shot Multi-Anomaly Detection in Medical Images [20.315592081817595]
  SD-MADは2段階の符号駆動型複数ショット検出フレームワークである。 SD-MADの性能を包括的に定量化する3つのプロトコルを提案する。
  論文  参考訳（メタデータ） (2025-05-22T13:24:37Z)
• FetalFlex: Anatomy-Guided Diffusion Model for Flexible Control on Fetal Ultrasound Image Synthesis [16.640351512021017]
  これらの課題に対処するために、Flexible Fetal USイメージ生成フレームワーク(FetalFlex)を紹介します。 FetalFlexには、制御性を高めるための事前調整モジュールが組み込まれており、一貫したテクスチャと外観を保証するための再塗装戦略が導入されている。 マルチセンターデータセットの実験では、FetalFlexが複数の画像品質メトリクスで最先端のパフォーマンスを達成したことが示されている。
  論文  参考訳（メタデータ） (2025-03-19T05:16:19Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Improving Medical Large Vision-Language Models with Abnormal-Aware Feedback [57.98393950821579]
  医学的異常を明らかにするための新しいUMed-LVLMを提案する。 本稿では,GPT-4Vを用いた診断手法を提案する。 UMed-LVLMは既存のMed-LVLMよりも医療異常の同定と理解に優れていた。
  論文  参考訳（メタデータ） (2025-01-02T17:37:20Z)
• Measuring proximity to standard planes during fetal brain ultrasound scanning [8.328549443700858]
  本稿では,超音波(US)平面を臨床利用に近づけるための新しいパイプラインを提案する。 ラベル付きSPとラベルなしUSボリュームスライスの両方を利用した半教師付きセグメンテーションモデルを提案する。 本モデルでは, 胎児の脳画像に対して, 信頼性の高いセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-04-10T16:04:21Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Statistical Dependency Guided Contrastive Learning for Multiple Labeling in Prenatal Ultrasound [56.631021151764955]
  標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。 我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
  論文  参考訳（メタデータ） (2021-08-11T06:39:26Z)
• Detecting Hypo-plastic Left Heart Syndrome in Fetal Ultrasound via Disease-specific Atlas Maps [18.37280146564769]
  低形成性左心症候群の自動診断のための解釈可能なアトラス・ラーニング・セグメンテーション法を提案する。 本稿では,最近導入された画像・空間トランスフォーマーネットワーク(Atlas-ISTN)を,感作アトラスの病原体生成を可能にするフレームワークに拡張することを提案する。
  論文  参考訳（メタデータ） (2021-07-06T14:31:19Z)
• 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。