論文の概要: Placenta Accreta Spectrum Detection using Multimodal Deep Learning

• arxiv url: http://arxiv.org/abs/2601.00907v1
• Date: Wed, 31 Dec 2025 23:55:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.841891
• Title: Placenta Accreta Spectrum Detection using Multimodal Deep Learning
• Title（参考訳）: マルチモーダル深層学習を用いたプラセンタアクレタスペクトル検出
• Authors: Sumaiya Ali, Areej Alhothali, Sameera Albasri, Ohoud Alzamzami, Ahmed Abduljabbar, Muhammad Alwazzan,
• Abstract要約: Placenta Accreta Spectrum (PAS)は、子宮壁への異常な胎盤浸潤を伴う、生命の危険を伴う合併症である。 本研究の目的は,複数の画像モダリティを統合することによってPAS検出を向上させるディープラーニングフレームワークの開発と評価である。
• 参考スコア（独自算出の注目度）: 0.6192567865226507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Placenta Accreta Spectrum (PAS) is a life-threatening obstetric complication involving abnormal placental invasion into the uterine wall. Early and accurate prenatal diagnosis is essential to reduce maternal and neonatal risks. This study aimed to develop and validate a deep learning framework that enhances PAS detection by integrating multiple imaging modalities. A multimodal deep learning model was designed using an intermediate feature-level fusion architecture combining 3D Magnetic Resonance Imaging (MRI) and 2D Ultrasound (US) scans. Unimodal feature extractors, a 3D DenseNet121-Vision Transformer for MRI and a 2D ResNet50 for US, were selected after systematic comparative analysis. Curated datasets comprising 1,293 MRI and 1,143 US scans were used to train the unimodal models and paired samples of patient-matched MRI-US scans was isolated for multimodal model development and evaluation. On an independent test set, the multimodal fusion model achieved superior performance, with an accuracy of 92.5% and an Area Under the Receiver Operating Characteristic Curve (AUC) of 0.927, outperforming the MRI-only (82.5%, AUC 0.825) and US-only (87.5%, AUC 0.879) models. Integrating MRI and US features provides complementary diagnostic information, demonstrating strong potential to enhance prenatal risk assessment and improve patient outcomes.
• Abstract（参考訳）: Placenta Accreta Spectrum (PAS) は、子宮壁への異常な胎盤浸潤を伴う、生命の危険を伴う産婦人科の合併症である。 早期かつ正確な出生前診断は、母体および新生児のリスクを軽減するために不可欠である。 本研究の目的は,複数の画像モダリティを統合することによってPAS検出を向上させるディープラーニングフレームワークの開発と評価である。 3次元磁気共鳴イメージング(MRI)と2次元超音波(US)スキャンを組み合わせた中間機能レベルの融合アーキテクチャを用いて,マルチモーダル深層学習モデルを構築した。 3D DenseNet121-Vision Transformer for MRIと2D ResNet50 for USの2D特徴抽出器を系統的比較分析により選択した。 1,293個のMRIと1,143個のUSスキャンからなるキュレートされたデータセットを用いて, 患者適合MRI-USスキャンのペア標本を抽出し, マルチモーダルモデルの開発と評価を行った。 独立したテストセットでは、マルチモーダル核融合モデルは92.5%の精度で、受信器動作特性曲線(AUC)は0.927であり、MRIのみ(82.5%、AUC 0.825)と米国のみ(87.5%、AUC 0.879)より優れていた。 MRIと米国機能の統合は、補完的な診断情報を提供し、出生前リスクアセスメントを強化し、患者の結果を改善する強い可能性を示す。

関連論文リスト

• Large-Scale Pre-training Enables Multimodal AI Differentiation of Radiation Necrosis from Brain Metastasis Progression on Routine MRI [3.291383664051985]
  放射線治療後の腫瘍進展と放射線壊死の鑑別は、脳転移にとって重要な課題である。 従来の教師付き深層学習アプローチは、生検確認の少ない訓練データによって制約される。 自己教師付き学習は、大規模にラベル付けされていない脳転移画像データセットの可用性の増大を活用することで、この問題を克服する。
  論文  参考訳（メタデータ） (2025-11-22T22:44:50Z)
• Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
  パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。 また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。 PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
  論文  参考訳（メタデータ） (2025-11-07T03:51:00Z)
• Direct Estimation of Pediatric Heart Rate Variability from BOLD-fMRI: A Machine Learning Approach Using Dynamic Connectivity [0.39945675027960637]
  多くの小児fMRI研究では、心臓の信号が欠如しているか、品質が悪いことがしばしばある。 周辺記録装置を必要とせずに、fMRIデータから直接心拍変動(HRV)波形を抽出するツールは、非常に有益である。 我々は,小児科領域のHRVを正確に再構築する機械学習フレームワークを開発した。 1次元畳み込みニューラルネットワーク (1D-CNN) と Gated Recurrent Units (GRU) を組み合わせたハイブリッドモデルは、628ROIからBOLD信号を解析し、過去と将来のデータを統合する。
  論文  参考訳（メタデータ） (2025-02-10T16:24:18Z)
• Multimodal MRI-Ultrasound AI for Prostate Cancer Detection Outperforms Radiologist MRI Interpretation: A Multi-Center Study [2.493694664727448]
  前立腺病変に対するMRI(pre-biopsy magnetic resonance imaging)の使用が増えている。 MRIで検出された病変は生検中に経直腸超音波(TRUS)画像にマッピングされなければならず、臨床上有意な前立腺癌(CsPCa)を発症する。 本研究では、MRIとTRUS画像シーケンスを統合したマルチモーダルAIフレームワークを体系的に評価し、CsPCa識別を向上する。
  論文  参考訳（メタデータ） (2025-01-31T20:04:20Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Multi-modal Brain Tumor Segmentation via Missing Modality Synthesis and Modality-level Attention Fusion [3.9562534927482704]
  我々は、Modality-Level Attention Fusion Network (MAF-Net) というエンドツーエンドフレームワークを提案する。 提案するMAF-Netはより優れたT1ce合成性能と正確な脳腫瘍セグメンテーションをもたらす。
  論文  参考訳（メタデータ） (2022-03-09T09:08:48Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。