論文の概要: Self-Supervised Ultrasound Screen Detection

• arxiv url: http://arxiv.org/abs/2511.13197v1
• Date: Mon, 17 Nov 2025 10:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.117039
• Title: Self-Supervised Ultrasound Screen Detection
• Title（参考訳）: 自己監督型超音波スクリーン検出
• Authors: Alberto Gomez, Jorge Oliveira, Ramon Casero, Agis Chartsias,
• Abstract要約: 本稿では,モニタの写真から米国イメージを抽出する自己教師パイプラインを提案する。 これによりDICOMボトルネックが排除され、新しいアルゴリズムの迅速なテストとプロトタイピングが可能になる。
• 参考スコア（独自算出の注目度）: 0.2654068381694478
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Ultrasound (US) machines display images on a built-in monitor, but routine transfer to hospital systems relies on DICOM. We propose a self-supervised pipeline to extract the US image from a photograph of the monitor. This removes the DICOM bottleneck and enables rapid testing and prototyping of new algorithms. In a proof-of-concept study, the rectified images retained enough visual fidelity to classify cardiac views with a balanced accuracy of 0.79 with respect to the native DICOMs.
• Abstract（参考訳）: 超音波(US)装置は内蔵モニターに画像を表示するが、病院システムへの定期的な転送はDICOMに依存している。 本稿では,モニタの写真から米国イメージを抽出する自己教師パイプラインを提案する。 これによりDICOMボトルネックが排除され、新しいアルゴリズムの迅速なテストとプロトタイピングが可能になる。 概念実証実験では、補正された画像は、ネイティブなDICOMに対して、心臓の視線を0.79の精度で分類するのに十分な視力を保持した。

関連論文リスト

• Vascular Segmentation of Functional Ultrasound Images using Deep Learning [0.0]
  機能的超音波(fUS)画像のための,最初のディープラーニングベースセグメンテーションツールを紹介する。 自動アノテーションに基づいて異なるコンパートメントから信号を識別し、動的CBV定量化を可能にする。 我々のパイプラインは、皮質と深部の両方で予測された信号と実際のコンパートメントの間に高い線形相関関係を示す。
  論文  参考訳（メタデータ） (2024-10-28T09:00:28Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
  我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。 本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
  論文  参考訳（メタデータ） (2024-04-23T17:59:01Z)
• Generating and Weighting Semantically Consistent Sample Pairs for Ultrasound Contrastive Learning [10.631361618707214]
  よく注釈付けされた医療データセットにより、ディープニューラルネットワーク(DNN)は、病変に関連する特徴を抽出する上で強力なパワーを得ることができる。 ImageNetに基づくモデル事前トレーニングは、データ量に制限がある場合に、より良い一般化を得るための一般的なプラクティスである。 本研究では,医療用USアプリケーションの領域ギャップを低減するために,ImageNetの代わりに超音波(US)ドメインを事前訓練する。
  論文  参考訳（メタデータ） (2022-12-08T06:24:08Z)
• DICOM Imaging Router: An Open Deep Learning Framework for Classification of Body Parts from DICOM X-ray Scans [0.618778092044887]
  未知のDICOMX線画像を5つの解剖学的グループに分類するために,深部CNNをデプロイするDICOMイメージングルータを提案する。 11,263画像のトレーニングセットを用いて最先端の深部CNNのセットを訓練し,身体部位の分類において優れた性能を示した。
  論文  参考訳（メタデータ） (2021-08-14T08:31:43Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Screen Tracking for Clinical Translation of Live Ultrasound Image Analysis Methods [2.5805793749729857]
  提案手法は,ソノグラフィの視点に固定されたカメラで画面を追跡し,撮影画像を適切なアスペクト比に再構成することで,米国内の画像をキャプチャする。 これにより、取得した画像を画像処理パイプラインに入力して、検査を改善するのに役立つ情報を抽出できるという仮説が立てられている。 この情報は、例えば拡張現実(AR)ヘッドセットを使って、音像師の視界にリアルタイムで投影される。
  論文  参考訳（メタデータ） (2020-07-13T09:53:20Z)

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。