論文の概要: SEMC: Structure-Enhanced Mixture-of-Experts Contrastive Learning for Ultrasound Standard Plane Recognition

• arxiv url: http://arxiv.org/abs/2511.12559v1
• Date: Sun, 16 Nov 2025 11:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.374953
• Title: SEMC: Structure-Enhanced Mixture-of-Experts Contrastive Learning for Ultrasound Standard Plane Recognition
• Title（参考訳）: SEMC:超音速標準平面認識のためのコントラスト学習
• Authors: Qing Cai, Guihao Yan, Fan Zhang, Cheng Zhang, Zhi Liu,
• Abstract要約: SEMCは、Structure-Enhanced Mixture-of-Experts Contrastive Learningフレームワークである。 構造認識機能融合と専門家が指導するコントラスト学習を組み合わせる。 SEMCは、様々なメトリクスで最新の最先端の手法より優れています。
• 参考スコア（独自算出の注目度）: 19.86276665791872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound standard plane recognition is essential for clinical tasks such as disease screening, organ evaluation, and biometric measurement. However, existing methods fail to effectively exploit shallow structural information and struggle to capture fine-grained semantic differences through contrastive samples generated by image augmentations, ultimately resulting in suboptimal recognition of both structural and discriminative details in ultrasound standard planes. To address these issues, we propose SEMC, a novel Structure-Enhanced Mixture-of-Experts Contrastive learning framework that combines structure-aware feature fusion with expert-guided contrastive learning. Specifically, we first introduce a novel Semantic-Structure Fusion Module (SSFM) to exploit multi-scale structural information and enhance the model's ability to perceive fine-grained structural details by effectively aligning shallow and deep features. Then, a novel Mixture-of-Experts Contrastive Recognition Module (MCRM) is designed to perform hierarchical contrastive learning and classification across multi-level features using a mixture-of-experts (MoE) mechanism, further improving class separability and recognition performance. More importantly, we also curate a large-scale and meticulously annotated liver ultrasound dataset containing six standard planes. Extensive experimental results on our in-house dataset and two public datasets demonstrate that SEMC outperforms recent state-of-the-art methods across various metrics.
• Abstract（参考訳）: 超音波標準面認識は、疾患スクリーニング、臓器評価、生体計測などの臨床業務に不可欠である。 しかし、既存の手法では、浅い構造情報を効果的に活用することができず、画像拡張によって生成された対照的なサンプルを通して微妙な意味差を捉えることができず、最終的には超音波標準平面における構造的および識別的詳細の両方を最適に認識する結果となった。 これらの課題に対処するために,SEMCを提案する。SEMCは,構造認識機能融合と専門家が指導するコントラスト学習を組み合わせた,新しいコントラスト学習フレームワークである。 具体的には,マルチスケール構造情報を活用する新しいセマンティック・ストラクチャー・フュージョン・モジュール (SSFM) を導入し,浅部および深部の特徴を効果的に整列させることにより,詳細な構造情報を知覚するモデルの能力を高める。 そこで,MCRM(Mixture-of-Experts Contrastive Recognition Module)は,ME(Mixerical-of-Experts Contrastive Recognition Module)機構を用いて,階層的なコントラスト学習と多段階特徴の分類を行い,クラス分離性と認識性能の向上を図る。 さらに,6つの標準平面を含む大規模かつ巧妙に注釈付き肝超音波データセットをキュレートする。 社内データセットと2つの公開データセットの大規模な実験結果から、SEMCは様々な指標で最新の最先端の手法よりも優れています。

関連論文リスト

• MS-CLR: Multi-Skeleton Contrastive Learning for Human Action Recognition [49.91188543847175]
  Multi-Skeleton Contrastive Learning (MS-CLR)は、同じシーケンスから抽出された複数のスケルトン規則間でポーズ表現を整列するフレームワークである。 MS-CLRは、強いシングルスケルトンコントラスト学習ベースラインよりも一貫してパフォーマンスを向上する。 マルチスケルトンアンサンブルはパフォーマンスをさらに向上させ、両方のデータセットに新たな最先端結果を設定する。
  論文  参考訳（メタデータ） (2025-08-20T17:58:03Z)
• Multi-Contrast Fusion Module: An attention mechanism integrating multi-contrast features for fetal torso plane classification [2.4337931462755633]
  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。
  論文  参考訳（メタデータ） (2025-08-13T09:24:22Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• Cross-Sequence Semi-Supervised Learning for Multi-Parametric MRI-Based Visual Pathway Delineation [18.101169568060786]
  本稿では,VP記述のための新しい半教師付き多パラメータ特徴分解フレームワークを提案する。 具体的には、相関制約付き特徴分解(CFD)は複雑な相互系列関係を扱うように設計されている。 2つのパブリックデータセットと1つの社内マルチシェル拡散MRI(MDM)データセットを用いて、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2025-05-26T09:18:58Z)
• 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)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Expert Knowledge-guided Geometric Representation Learning for Magnetic Resonance Imaging-based Glioma Grading [11.839240728728589]
  放射線学とディープラーニングは、グリオーマの自動評価において高い人気を示している。 本稿では,知識指導型幾何表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-08T02:45:11Z)

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。