論文の概要: Unified Review and Benchmark of Deep Segmentation Architectures for Cardiac Ultrasound on CAMUS

• arxiv url: http://arxiv.org/abs/2601.00839v1
• Date: Sat, 27 Dec 2025 06:07:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.769574
• Title: Unified Review and Benchmark of Deep Segmentation Architectures for Cardiac Ultrasound on CAMUS
• Title（参考訳）: CAMUSにおける心エコーの深部分類アーキテクチャの統一と評価
• Authors: Zahid Ullah, Muhammad Hilal, Eunsoo Lee, Dragan Pamucar, Jihie Kim,
• Abstract要約: 心臓超音波セグメンテーションの文献的考察と,3つの重要なアーキテクチャの比較を行った。 ベンチマークでは,NIfTIボリューム,16ビットPNGエクスポート,GPT支援多角形擬似ラベル,自己教師付き事前学習など,複数の前処理経路にまたがる。
• 参考スコア（独自算出の注目度）: 39.950953035207384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several review papers summarize cardiac imaging and DL advances, few works connect this overview to a unified and reproducible experimental benchmark. In this study, we combine a focused review of cardiac ultrasound segmentation literature with a controlled comparison of three influential architectures, U-Net, Attention U-Net, and TransUNet, on the Cardiac Acquisitions for Multi-Structure Ultrasound Segmentation (CAMUS) echocardiography dataset. Our benchmark spans multiple preprocessing routes, including native NIfTI volumes, 16-bit PNG exports, GPT-assisted polygon-based pseudo-labels, and self-supervised pretraining (SSL) on thousands of unlabeled cine frames. Using identical training splits, losses, and evaluation criteria, a plain U-Net achieved a 94% mean Dice when trained directly on NIfTI data (preserving native dynamic range), while the PNG-16-bit workflow reached 91% under similar conditions. Attention U-Net provided modest improvements on small or low-contrast regions, reducing boundary leakage, whereas TransUNet demonstrated the strongest generalization on challenging frames due to its ability to model global spatial context, particularly when initialized with SSL. Pseudo-labeling expanded the training set and improved robustness after confidence filtering. Overall, our contributions are threefold: a harmonized, apples-to-apples benchmark of U-Net, Attention U-Net, and TransUNet under standardized CAMUS preprocessing and evaluation; practical guidance on maintaining intensity fidelity, resolution consistency, and alignment when preparing ultrasound data; and an outlook on scalable self-supervision and emerging multimodal GPT-based annotation pipelines for rapid labeling, quality assurance, and targeted dataset curation.
• Abstract（参考訳）: いくつかのレビュー論文は、心臓画像とDLの進歩を要約しているが、この概要を統一的で再現可能な実験ベンチマークに結びつける研究はほとんどない。 本研究は, 心エコー法(CAMUS) を用いた心エコー法(CAMUS) を用いた心エコー法において, 心エコー法とU-Net, Attention U-Net, TransUNetの3つの重要なアーキテクチャの比較を行った。 我々のベンチマークは、ネイティブNIfTIボリューム、16ビットPNGエクスポート、GPT支援ポリゴンベース擬似ラベル、数千の未ラベルシネフレーム上での自己教師付き事前トレーニング(SSL)など、複数の前処理経路にまたがる。 同じトレーニング分割、損失、評価基準を用いて、通常のU-Netは、NIfTIデータ(ネイティブなダイナミックレンジを保存する)を直接トレーニングすると、Diceの平均94%を達成し、PNG-16ビットワークフローは、同様の条件下で91%に達した。 注意 U-Net は低コントラスト領域や低コントラスト領域を適度に改善し、バウンダリリークを低減した。 Pseudo-labelingはトレーニングセットを拡張し、信頼性フィルタリング後の堅牢性を改善した。 全体として、当社のコントリビューションは、標準化されたCAMUS前処理および評価の下で、U-Net、Attention U-Net、TransUNetの調和したアプレット間ベンチマーク、超音波データ作成時の強度の忠実さ、解像度の整合性、アライメントの維持に関する実践的なガイダンス、高速ラベリング、品質保証、ターゲットデータセットキュレーションのためのスケーラブルなセルフスーパービジョンおよび新興マルチモーダルGPTベースのアノテーションパイプラインの展望である。

関連論文リスト

• Left Atrial Segmentation with nnU-Net Using MRI [0.0]
  近年, 深層学習法は, 医用画像のセグメンテーションタスクにおいて, 優れた性能を示した。 本研究では,自己構成型ディープラーニングセグメンテーションアーキテクチャであるnnU-Netフレームワークを左心房チャレンジ2013データセットに適用した。 このネットワークは左心房形態、肺コントラスト、画像品質の変動にまたがって堅牢な一般化を示し、心房体と近位静脈の両方を正確に描写した。
  論文  参考訳（メタデータ） (2025-11-06T05:23:45Z)
• TopSeg: A Multi-Scale Topological Framework for Data-Efficient Heart Sound Segmentation [12.42019711058722]
  TopSegは、マルチスケールのトポロジ的特徴を持つPCGダイナミクスをエンコードする表現中心のフレームワークである。 被験者レベルのサブサンプリングでPhyloNet 2016データセットのみをトレーニングし、CirCorデータセット上で外部バリデーションを実行します。 結果から,TopSegはデータ効率,クロスデータセットPCGセグメンテーションに強い帰納バイアスを与えることがわかった。
  論文  参考訳（メタデータ） (2025-10-20T09:43:39Z)
• UESA-Net: U-Shaped Embedded Multidirectional Shrinkage Attention Network for Ultrasound Nodule Segmentation [12.967178888045728]
  既存のネットワークは、低レベルの空間的詳細と高レベルのセマンティクスの整合に苦慮している。 我々は,多方向縮小に着目したU字型ネットワークUESA-Netを提案する。 2つの公開データセットにおいて、UESA-Netは、それぞれ0.8487と0.6495の交差一致(IoU)スコアで最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-09-26T14:54:38Z)
• CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
  本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。 我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。 そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
  論文  参考訳（メタデータ） (2023-06-07T10:02:29Z)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)

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。