論文の概要: Multi-Contrast Fusion Module: An attention mechanism integrating multi-contrast features for fetal torso plane classification

• arxiv url: http://arxiv.org/abs/2508.09644v1
• Date: Wed, 13 Aug 2025 09:24:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.831895
• Title: Multi-Contrast Fusion Module: An attention mechanism integrating multi-contrast features for fetal torso plane classification
• Title（参考訳）: マルチコントラスト融合モジュール:胎児胴面分類のためのマルチコントラスト特徴の統合による注意機構
• Authors: Shengjun Zhu, Siyu Liu, Runqing Xiong, Liping Zheng, Duo Ma, Rongshang Chen, Jiaxin Cai,
• Abstract要約: 超音波画像における低コントラストと不明瞭なテクスチャの詳細は、微細な解剖学的認識に課題をもたらす。 超音波画像から詳細な情報を抽出する能力を高めるために,新しいマルチコントラスト融合モジュール(MCFM)を提案する。
• 参考スコア（独自算出の注目度）: 2.4337931462755633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Prenatal ultrasound is a key tool in evaluating fetal structural development and detecting abnormalities, contributing to reduced perinatal complications and improved neonatal survival. Accurate identification of standard fetal torso planes is essential for reliable assessment and personalized prenatal care. However, limitations such as low contrast and unclear texture details in ultrasound imaging pose significant challenges for fine-grained anatomical recognition. Methods: We propose a novel Multi-Contrast Fusion Module (MCFM) to enhance the model's ability to extract detailed information from ultrasound images. MCFM operates exclusively on the lower layers of the neural network, directly processing raw ultrasound data. By assigning attention weights to image representations under different contrast conditions, the module enhances feature modeling while explicitly maintaining minimal parameter overhead. Results: The proposed MCFM was evaluated on a curated dataset of fetal torso plane ultrasound images. Experimental results demonstrate that MCFM substantially improves recognition performance, with a minimal increase in model complexity. The integration of multi-contrast attention enables the model to better capture subtle anatomical structures, contributing to higher classification accuracy and clinical reliability. Conclusions: Our method provides an effective solution for improving fetal torso plane recognition in ultrasound imaging. By enhancing feature representation through multi-contrast fusion, the proposed approach supports clinicians in achieving more accurate and consistent diagnoses, demonstrating strong potential for clinical adoption in prenatal screening. The codes are available at https://github.com/sysll/MCFM.
• Abstract（参考訳）: 目的: 出生前超音波は胎児の発育と異常の検出において重要なツールであり, 周産期合併症の減少と新生児生存の改善に寄与する。 標準胎児胴面の正確な同定は、出生前ケアの信頼性とパーソナライズに不可欠である。 しかし、超音波画像における低コントラストや不明瞭なテクスチャの詳細などの制限は、微細な解剖学的認識に重大な課題をもたらす。 方法: 超音波画像から詳細な情報を抽出する能力を高めるために, MCFM (Multi-Contrast Fusion Module) を提案する。 MCFMはニューラルネットワークの下位層のみで動作し、生の超音波データを直接処理する。 異なるコントラスト条件下で画像表現に注意重みを割り当てることで、モジュールは最小のパラメータオーバーヘッドを明示的に維持しつつ、特徴モデリングを強化する。 結果: 提案したMCFMは胎児扁平上皮超音波画像のキュレートされたデータセットを用いて評価した。 実験の結果,MCFMは認識性能を著しく向上し,モデルの複雑さは最小限に抑えられた。 マルチコントラスト・アテンションの統合により、モデルは微妙な解剖学的構造をよりよく捉え、より高い分類精度と臨床信頼性に寄与する。 結論: 超音波画像における胎児の胴面認識を改善するための有効な方法として, 本法が有用である。 マルチコントラスト融合による特徴表現の向上により, より正確で一貫した診断が可能となり, 出生前スクリーニングにおける臨床応用の可能性が強く示された。 コードはhttps://github.com/sysll/MCFMで公開されている。

関連論文リスト

• HepatoGEN: Generating Hepatobiliary Phase MRI with Perceptual and Adversarial Models [33.7054351451505]
  肝胆道相(HBP)画像の初期コントラスト位相からの深層学習に基づく合成手法を提案する。 pGANの定量的評価は, 視力評価とブラインドドラジオロジカル・レビューの併用により, pGANが最高の定量的性能を示した。 対照的に、U-Netは、より少ないアーティファクトで一貫した肝拡張を発生させ、DDPMは、微細構造の詳細の保存が限られているため、性能が低下した。
  論文  参考訳（メタデータ） (2025-04-25T15:01:09Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Structure-Accurate Medical Image Translation via Dynamic Frequency Balance and Knowledge Guidance [60.33892654669606]
  拡散モデルは,必要な医用画像を合成するための強力な戦略である。 既存のアプローチはまだ、高周波情報の過度な適合による解剖学的構造歪みの問題に悩まされている。 本稿では,動的周波数バランスと知識指導に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-13T05:48:13Z)
• Translation of Fetal Brain Ultrasound Images into Pseudo-MRI Images using Artificial Intelligence [0.0]
  第3三期では、胎児の脳の複雑さは定量的データを抽出するために高い画像品質を必要とする。 対照的に、MRI(MRI)は優れた画像品質と組織分化を提供するが、利用できなく、高価であり、時間を要する。
  論文  参考訳（メタデータ） (2025-04-03T08:59:33Z)
• PINN-EMFNet: PINN-based and Enhanced Multi-Scale Feature Fusion Network for Breast Ultrasound Images Segmentation [5.246262946799736]
  本研究では,PINNに基づくマルチスケール機能融合ネットワークを提案する。 ネットワークは、いくつかの構造的革新を通じて、効率的に統合し、グローバルにマルチスケールの機能をモデル化する。 このデコーダ部では,マルチスケール・フィーチャー・リファインメント・デコーダが採用され,マルチスケール・スーパービジョン機構と修正モジュールを組み合わせることで,セグメンテーション精度と適応性を大幅に向上する。
  論文  参考訳（メタデータ） (2024-12-22T09:16:00Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。