論文の概要: A multi-centre, multi-device benchmark dataset for landmark-based comprehensive fetal biometry
- arxiv url: http://arxiv.org/abs/2512.16710v1
- Date: Thu, 18 Dec 2025 16:13:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:32.151204
- Title: A multi-centre, multi-device benchmark dataset for landmark-based comprehensive fetal biometry
- Title（参考訳）: ランドマークに基づく包括的胎児バイオメトリーのためのマルチセンタ・マルチデバイスベンチマークデータセット
- Authors: Chiara Di Vece, Zhehua Mao, Netanell Avisdris, Brian Dromey, Raffaele Napolitano, Dafna Ben Bashat, Francisco Vasconcelos, Danail Stoyanov, Leo Joskowicz, Sophia Bano,
- Abstract要約: 我々は、専門的な解剖学的ランドマークアノテーションを持つ胎児のUS画像の、オープンでマルチセンタ、マルチデバイスベンチマークデータセットを提示する。
データセットには、米国内の7つの異なるデバイスを使用して3つの臨床施設で取得された1,904人の被験者から4,513個の未確認画像が含まれている。
これは、主要な胎児の生体測定を網羅する、初めて公開されているマルチセントレ、マルチデバイス、ランドマーク付きデータセットである。
- 参考スコア（独自算出の注目度）: 10.262543644414917
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate fetal growth assessment from ultrasound (US) relies on precise biometry measured by manually identifying anatomical landmarks in standard planes. Manual landmarking is time-consuming, operator-dependent, and sensitive to variability across scanners and sites, limiting the reproducibility of automated approaches. There is a need for multi-source annotated datasets to develop artificial intelligence-assisted fetal growth assessment methods. To address this bottleneck, we present an open, multi-centre, multi-device benchmark dataset of fetal US images with expert anatomical landmark annotations for clinically used fetal biometric measurements. These measurements include head bi-parietal and occipito-frontal diameters, abdominal transverse and antero-posterior diameters, and femoral length. The dataset contains 4,513 de-identified US images from 1,904 subjects acquired at three clinical sites using seven different US devices. We provide standardised, subject-disjoint train/test splits, evaluation code, and baseline results to enable fair and reproducible comparison of methods. Using an automatic biometry model, we quantify domain shift and demonstrate that training and evaluation confined to a single centre substantially overestimate performance relative to multi-centre testing. To the best of our knowledge, this is the first publicly available multi-centre, multi-device, landmark-annotated dataset that covers all primary fetal biometry measures, providing a robust benchmark for domain adaptation and multi-centre generalisation in fetal biometry and enabling more reliable AI-assisted fetal growth assessment across centres. All data, annotations, training code, and evaluation pipelines are made publicly available.
- Abstract（参考訳）: 超音波(US)による胎児の正確な成長評価は、標準平面の解剖学的ランドマークを手動で同定することで測定された正確な生体測定に依存する。
手動のランドマークは時間がかかり、オペレータに依存し、スキャナーやサイト間でのばらつきに敏感であり、自動化されたアプローチの再現性を制限する。
人工知能支援胎児成長評価手法の開発には,マルチソースアノテートデータセットが必要である。
このボトルネックに対処するために、臨床応用された胎児生体計測のための専門的解剖学的ランドマークアノテーションを用いた、複数中心・マルチデバイスな胎児US画像のベンチマークデータセットを提案する。
これらの測定には,頭頂部,後頭前頭前部,腹横,前後部,大腿骨長などが含まれる。
データセットには、米国内の7つの異なるデバイスを使用して3つの臨床施設で取得された1,904人の被験者から4,513個の未確認画像が含まれている。
提案手法の公正かつ再現性のある比較を可能にするために,標準化された列車/テスト分割,評価コード,ベースライン結果を提供する。
自動バイオメトリモデルを用いて、ドメインシフトの定量化と、単一中心に限定したトレーニングと評価が、マルチ中心試験と比較してかなり過大評価されていることを示す。
私たちの知る限りでは、これは最初の公開可能なマルチセントレ、マルチデバイス、ランドマーク付きデータセットで、すべての胎児のバイオメトリをカバーし、胎児のバイオメトリにおけるドメイン適応とマルチセントレの一般化のための堅牢なベンチマークを提供し、センター全体でより信頼性の高いAI支援胎児の成長アセスメントを可能にします。
データ、アノテーション、トレーニングコード、評価パイプラインはすべて公開されています。
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) - Advances in Automated Fetal Brain MRI Segmentation and Biometry: Insights from the FeTA 2024 Challenge [27.07002392996198]
FeTA Challenge 2024は胎児脳MRI解析を進歩させた。
組織セグメンテーションと並行して新しい課題としてバイオメトリ予測を導入した。
今回は、新しいローフィールド(0.55T)MRIデータセットからのデータを含む、多様なマルチ中心テストセットを初めて紹介しました。
論文 参考訳（メタデータ） (2025-05-05T16:54:04Z) - Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。
本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
論文 参考訳（メタデータ） (2025-02-07T21:09:05Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。
医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。
医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
論文 参考訳（メタデータ） (2023-06-20T20:23:46Z) - 'Aariz: A Benchmark Dataset for Automatic Cephalometric Landmark
Detection and CVM Stage Classification [0.402058998065435]
このデータセットは、解像度の異なる7つの異なるX線画像装置から得られた1000個の側方脳波ラジオグラフィー(LCR)を含む。
私たちのチームの臨床専門家は、各X線写真に29の頭蓋計測のランドマークを細心の注意で注釈付けしました。
このデータセットは、矯正治療などに使われる信頼性の高い自動ランドマーク検出フレームワークの開発に役立ちます。
論文 参考訳（メタデータ） (2023-02-15T17:31:56Z) - BiometryNet: Landmark-based Fetal Biometry Estimation from Standard
Ultrasound Planes [9.919499846996269]
本稿では,胎児バイオメトリ推定のためのエンド・ツー・エンドのランドマーク回帰フレームワークであるBiometryNetについて述べる。
これには、ネットワークトレーニング中に測定固有の配向一貫性を強制する新しい動的配向決定(DOD)方法が含まれている。
本手法の有効性を検証するため, 臨床3施設で取得した1,829名の超音波画像3,398枚を, 異なる7種類の超音波装置を用いて収集した。
論文 参考訳（メタデータ） (2022-06-29T14:32:32Z) - Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep
Learning Model For The Accurate Caliper Placement To Obtain Sonographic
Measurements Of The Fetal Brain [0.0]
経小脳平面(TC)の2次元USG画像から3つの重要な胎児脳バイオメトリーを計算するための深層学習(DL)手法を提案する。
U-Net DLモデルの精度を向上させるために,臨床的に関連するバイオメトリック制約(校正点間の関連性)とドメイン関連データ拡張を利用した。
いずれの場合も、個々のカリパーポイントの配置における平均誤差と計算されたバイオメトリーは、臨床医の誤差率に匹敵するものであった。
論文 参考訳（メタデータ） (2022-03-28T04:00:22Z) - Towards A Device-Independent Deep Learning Approach for the Automated
Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and
Multi-Device Validation [0.0]
胎児脳USG画像(2D)から得られた2軸平面から10個の重要な胎児脳構造の自動分割のためのDLベースセグメンテーションフレームワークを提案する。
提案するDLシステムは,有望かつ汎用的な性能(マルチセンタ,マルチデバイス)を提供し,画像品質のデバイスによる変動を支持する証拠を提示する。
論文 参考訳（メタデータ） (2022-02-28T05:42:03Z) - Statistical Dependency Guided Contrastive Learning for Multiple Labeling
in Prenatal Ultrasound [56.631021151764955]
標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。
我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
論文 参考訳（メタデータ） (2021-08-11T06:39:26Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
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。