論文の概要: UltraUPConvNet: A UPerNet- and ConvNeXt-Based Multi-Task Network for Ultrasound Tissue Segmentation and Disease Prediction

• arxiv url: http://arxiv.org/abs/2509.11108v1
• Date: Sun, 14 Sep 2025 05:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.9229
• Title: UltraUPConvNet: A UPerNet- and ConvNeXt-Based Multi-Task Network for Ultrasound Tissue Segmentation and Disease Prediction
• Title（参考訳）: UltraUPConvNet:UPerNetとConvNeXtをベースとした超音波組織分割と疾患予測のためのマルチタスクネットワーク
• Authors: Zhi Chen,
• Abstract要約: 超音波画像分類とセグメンテーションの両方のための普遍的なフレームワークであるUltraUPConvNetを紹介する。 本モデルは,計算オーバーヘッドの少ない特定のデータセット上での最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 3.594242421630227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultrasound imaging is widely used in clinical practice due to its cost-effectiveness, mobility, and safety. However, current AI research often treats disease prediction and tissue segmentation as two separate tasks and their model requires substantial computational overhead. In such a situation, we introduce UltraUPConvNet, a computationally efficient universal framework designed for both ultrasound image classification and segmentation. Trained on a large-scale dataset containing more than 9,700 annotations across seven different anatomical regions, our model achieves state-of-the-art performance on certain datasets with lower computational overhead. Our model weights and codes are available at https://github.com/yyxl123/UltraUPConvNet
• Abstract（参考訳）: 超音波イメージングはその費用効率、移動性、安全性のために臨床で広く用いられている。 しかしながら、現在のAI研究は、疾患予測と組織セグメント化を2つの別々のタスクとして扱うことが多く、そのモデルは相当な計算オーバーヘッドを必要とする。 このような状況下で,超音波画像分類とセグメンテーションの両方のために設計された計算効率の良いユニバーサルフレームワークであるUltraUPConvNetを導入する。 7つの解剖学的領域にわたる9,700以上のアノテーションを含む大規模データセットに基づいて,本モデルでは,計算オーバーヘッドの低い特定のデータセットに対して,最先端のパフォーマンスを実現する。 私たちのモデルはhttps://github.com/yyxl123/UltraUPConvNetで利用可能です。

関連論文リスト

• A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
  一般臨床用超音波基礎モデルであるEchoCareについて紹介する。 我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。 最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
  論文  参考訳（メタデータ） (2025-09-15T10:05:31Z)
• EUIS-Net: A Convolutional Neural Network for Efficient Ultrasound Image Segmentation [12.84851020291695]
  EUIS-Netは、超音波画像を効率的に正確に分割するCNNネットワークである。 4つのエンコーダ・デコーダブロックは計算複雑性を著しく低下させる。 提案されたEUIS-Netは平均IoUとダイススコアが78.12%、85.42%、84.73%、89.01%である。
  論文  参考訳（メタデータ） (2024-08-22T11:57:59Z)
• UniUSNet: A Promptable Framework for Universal Ultrasound Disease Prediction and Tissue Segmentation [19.85119434049726]
  超音波画像分類とセグメンテーションのための汎用フレームワークUniUSNetを提案する。 このモデルは様々な超音波タイプ、解剖学的位置、入力形式を扱い、セグメンテーションと分類の両方に優れる。 データセットを拡張して、モデルウェイトとコードが利用可能で、プロンプトメカニズムを洗練する予定です。
  論文  参考訳（メタデータ） (2024-06-03T09:49:54Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep Imaging Ultrasound [1.2903292694072621]
  ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。 本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。 このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
  論文  参考訳（メタデータ） (2023-11-17T20:32:37Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)

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。