論文の概要: REASON: Probability map-guided dual-branch fusion framework for gastric content assessment

• arxiv url: http://arxiv.org/abs/2511.01302v1
• Date: Mon, 03 Nov 2025 07:38:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.159497
• Title: REASON: Probability map-guided dual-branch fusion framework for gastric content assessment
• Title（参考訳）: REASON:胃内容物評価のための確率マップ誘導二枝融合フレームワーク
• Authors: Nu-Fnag Xiao, De-Xing Huang, Le-Tian Wang, Mei-Jiang Gui, Qi Fu, Xiao-Liang Xie, Shi-Qi Liu, Shuangyi Wang, Zeng-Guang Hou, Ying-Wei Wang, Xiao-Hu Zhou,
• Abstract要約: 胃内容物評価のための2段階の確率マップ誘導二重ブランチ融合フレームワーク(REASON)を提案する。 ステージ1では、セグメント化モデルは、アーティファクトを抑圧し、胃解剖をハイライトする確率マップを生成する。 ステージ2では、デュアルブランチ分類器が2つの標準ビュー、右横偏差(RLD)とスピン(SUP)から情報を融合する。
• 参考スコア（独自算出の注目度）: 12.560089239196037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate assessment of gastric content from ultrasound is critical for stratifying aspiration risk at induction of general anesthesia. However, traditional methods rely on manual tracing of gastric antra and empirical formulas, which face significant limitations in both efficiency and accuracy. To address these challenges, a novel two-stage probability map-guided dual-branch fusion framework (REASON) for gastric content assessment is proposed. In stage 1, a segmentation model generates probability maps that suppress artifacts and highlight gastric anatomy. In stage 2, a dual-branch classifier fuses information from two standard views, right lateral decubitus (RLD) and supine (SUP), to improve the discrimination of learned features. Experimental results on a self-collected dataset demonstrate that the proposed framework outperforms current state-of-the-art approaches by a significant margin. This framework shows great promise for automated preoperative aspiration risk assessment, offering a more robust, efficient, and accurate solution for clinical practice.
• Abstract（参考訳）: 超音波による胃内容物の正確な評価は,全身麻酔導入時の吸気リスクの階層化に重要である。 しかし、従来の手法は胃のアントラと経験式を手動で追跡することに依存しており、効率と精度の両面で大きな限界に直面している。 これらの課題に対処するために、胃内容物評価のための新しい2段階の確率マップ誘導二重ブランチ融合フレームワーク(REASON)を提案する。 ステージ1では、セグメント化モデルは、アーティファクトを抑圧し、胃解剖をハイライトする確率マップを生成する。 ステージ2では、デュアルブランチ分類器が、学習特徴の識別を改善するために、右横隔て(RLD)とスピン(SUP)の2つの標準ビューから情報を融合する。 自己収集データセットによる実験結果から,提案手法は現状のアプローチよりも有意な差で優れていることが示された。 この枠組みは、より堅牢で効率的で正確な臨床実習ソリューションを提供する、自動的術前吸引リスク評価に非常に有望なものである。

関連論文リスト

• Divide and Conquer: Grounding a Bleeding Areas in Gastrointestinal Image with Two-Stage Model [7.1083241462091165]
  本研究では,従来のマルチタスク学習モデルが生み出す課題に対処するために,分類と接地を分離する2段階の枠組みを提案する。 実験結果から,分類精度とセグメンテーション精度が有意に向上した。
  論文  参考訳（メタデータ） (2024-12-21T18:18:12Z)
• Enhancing Diagnostic Precision in Gastric Bleeding through Automated Lesion Segmentation: A Deep DuS-KFCM Approach [20.416923956241497]
  本稿では,新しい深層学習モデルDual Spatial Kernelized Constrained Fuzzy C-Means (Deep DuS-KFCM)を提案する。 このシステムは、ニューラルネットワークをファジィ論理と相乗し、出血領域を高精度かつ効率的に同定する。 本モデルでは, 前例のない87.95%の精度と96.33%の特異性を示し,同時代のセグメンテーション法より優れていた。
  論文  参考訳（メタデータ） (2024-11-21T18:21:42Z)
• Uncertainty-driven and Adversarial Calibration Learning for Epicardial Adipose Tissue Segmentation [12.748840107754337]
  心膜脂肪組織(EAT)は、大量のアディポカインを分泌し心筋や冠動脈に影響を及ぼすことのできる内臓脂肪の一種である。 より正確なEATボリューム推定のためのセグメンテーションを強化するために,不確実性駆動・対角校正学習を備えた新しい特徴量空間多レベル監視ネットワーク(SPDNet)を提案する。
  論文  参考訳（メタデータ） (2024-02-22T07:39:41Z)
• Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
  安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。 本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
  論文  参考訳（メタデータ） (2023-05-09T11:42:53Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。