論文の概要: Detection of Medial Epicondyle Avulsion in Elbow Ultrasound Images via Bone Structure Reconstruction

• arxiv url: http://arxiv.org/abs/2507.20104v1
• Date: Sun, 27 Jul 2025 02:16:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:56.962108
• Title: Detection of Medial Epicondyle Avulsion in Elbow Ultrasound Images via Bone Structure Reconstruction
• Title（参考訳）: 肘部超音波像における骨構造再構成による内側上顆隆起の検出
• Authors: Shizuka Akahori, Shotaro Teruya, Pragyan Shrestha, Yuichi Yoshii, Satoshi Iizuka, Akira Ikumi, Hiromitsu Tsuge, Itaru Kitahara,
• Abstract要約: 野球選手によく見られる中性てんかん発作は、骨剥離と変形を伴う。 本研究は, 肘部超音波画像における内側上顎骨外転の検出のための再建的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 3.4580737195426536
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study proposes a reconstruction-based framework for detecting medial epicondyle avulsion in elbow ultrasound images, trained exclusively on normal cases. Medial epicondyle avulsion, commonly observed in baseball players, involves bone detachment and deformity, often appearing as discontinuities in bone contour. Therefore, learning the structure and continuity of normal bone is essential for detecting such abnormalities. To achieve this, we propose a masked autoencoder-based, structure-aware reconstruction framework that learns the continuity of normal bone structures. Even in the presence of avulsion, the model attempts to reconstruct the normal structure, resulting in large reconstruction errors at the avulsion site. For evaluation, we constructed a novel dataset comprising normal and avulsion ultrasound images from 16 baseball players, with pixel-level annotations under orthopedic supervision. Our method outperformed existing approaches, achieving a pixel-wise AUC of 0.965 and an image-wise AUC of 0.967. The dataset is publicly available at: https://github.com/Akahori000/Ultrasound-Medial-Epicondyle-Avulsion-Dataset.
• Abstract（参考訳）: 本研究は, 肘部超音波画像における縦隔てんかん検出のための再建的枠組みを提案する。 野球選手によく見られる中性てんかん発作は、骨の剥離と変形を伴い、しばしば骨の輪郭に不連続として現れる。 したがって、そのような異常を検出するためには、正常な骨の構造と連続性を学ぶことが不可欠である。 これを実現するために,通常の骨構造の連続性を学習するマスク付きオートエンコーダを用いた構造認識再構築フレームワークを提案する。 このモデルでは, 浮揚が存在する場合でも, 正常な構造物の復元を試みた結果, 浮揚地点での大規模な復元誤差が生じた。 評価のために,16人の野球選手の正常および外反超音波画像と,整形外科的監督下での画素レベルのアノテーションを併用した新しいデータセットを構築した。 提案手法は既存のアプローチよりも優れており,画素単位のAUC 0.965 と画像単位の AUC 0.967 を実現している。 データセットは、https://github.com/Akahori000/Ultrasound-Medial-Epicondyle-Avulsion-Datasetで公開されている。

関連論文リスト

• BLS-GAN: A Deep Layer Separation Framework for Eliminating Bone Overlap in Conventional Radiographs [4.295284976294471]
  従来のX線写真では、骨の重なり合いが一般的であり、骨特性の正確な評価を妨げる可能性がある。 本研究では,高品質な骨層画像を生成する骨層分離GANフレームワークを提案する。 生成された画像はビジュアルチューリングテストに合格し、下流タスクのパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2024-09-11T14:34:17Z)
• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling [8.887775968482208]
  拡散モデルは、その強力な生成能力のために、異常検出に有望な応用を示している。 本稿では,Masked Diffusion Posterior Smpling (MDPS) という,新規かつ高解釈可能な手法を提案する。 MDPSは、異常検出や局所化と同様に、通常の画像再構成の品質において最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2024-04-27T13:13:27Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Masked Autoencoders for Unsupervised Anomaly Detection in Medical Images [5.457150493905064]
  健康なサンプルのみを用いてフレームワークを訓練する医療画像の異常検出に取り組む。 本研究は,正常スキャンの再構成に否定的なサンプルを用いて,異常分類器を教師付きで訓練する。 提案手法を,AST,RD4AD,AnoVAEGAN,f-AnoGANの4つの最先端異常検出フレームワークと比較した。
  論文  参考訳（メタデータ） (2023-07-14T09:13:28Z)
• Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks [0.6554326244334868]
  産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。 提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。 その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
  論文  参考訳（メタデータ） (2023-02-10T10:25:12Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Automated anomaly-aware 3D segmentation of bones and cartilages in knee MR images from the Osteoarthritis Initiative [3.8281328621400226]
  膝の3次元磁気共鳴(MR)画像における異常を検出するために,U-Netベースニューラルネットワークを用いた多段階アプローチを開発した。 異常検出のために、U-Netベースのモデルが開発され、インペイントによる画像の大腿骨骨の骨の形状を再構築した。 第2の異常認識ネットワークは, 異常診断ネットワークと比較され, 大腿骨, 大腿骨, 大腿骨, パテラー骨, 軟骨の最終的な自動分割に使用された。
  論文  参考訳（メタデータ） (2022-11-30T02:35:05Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)

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。