論文の概要: A texture-based framework for foundational ultrasound models

• arxiv url: http://arxiv.org/abs/2602.01444v1
• Date: Sun, 01 Feb 2026 21:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.787776
• Title: A texture-based framework for foundational ultrasound models
• Title（参考訳）: 基礎超音波モデルのためのテクスチャベースフレームワーク
• Authors: Tal Grutman, Carmel Shinar, Tali Ilovitsh,
• Abstract要約: テクスチャ・テクスチャ・セマンティック・アナリシス(TUSA)を導入し、テクスチャ・アナリシス問題としての自己教師型学習を再構築する。 我々は、オープンソース、シミュレート、生体内データの組み合わせに基づいて、TUSAモデルを訓練する。 肝脂肪症 (r = 0.83), 吐出率 (r = 0.63), 酸素飽和度 (r = 0.38) などの定量的指標と相関し, より高精度に検出できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound is the most widely used medical imaging modality, yet the images it produces are fundamentally unique, arising from tissue-dependent scattering, reflection, and speed-of-sound variations that produce a constrained set of characteristic textures that differ markedly from natural-image statistics. These acoustically driven patterns make ultrasound challenging for algorithms originally designed for natural images. To bridge this gap, the field has increasingly turned to foundation models, hoping to leverage their generalization capabilities. However, these models often falter in ultrasound applications because they are not designed for ultrasound physics, they are merely trained on ultrasound data. Therefore, it is essential to integrate ultrasound-specific domain knowledge into established learning frameworks. We achieve this by reformulating self-supervised learning as a texture-analysis problem, introducing texture ultrasound semantic analysis (TUSA). Using TUSA, models learn to leverage highly scalable contrastive methods to extract true domain-specific representations directly from simple B-mode images. We train a TUSA model on a combination of open-source, simulated, and in vivo data. The latent space is compared to several larger foundation models, demonstrating that our approach gives TUSA models better generalizability for difficult downstream tasks on unique online datasets as well as a clinical eye dataset collected for this study. Our model achieves higher accuracy in detecting COVID (70%), spinal hematoma (100%) and vitreous hemorrhage (97%) and correlates more closely with quantitative parameters like liver steatosis (r = 0.83), ejection fraction (r = 0.63), and oxygen saturation (r = 0.38). We open-source the model weights and training script: https://github.com/talg2324/tusa
• Abstract（参考訳）: 超音波は最も広く使われている医療画像のモダリティであるが、その画像は、組織に依存した散乱、反射、音速の変化から生じる、本質的にユニークなものであり、自然画像の統計とは大きく異なる特徴的なテクスチャの束を生み出している。 これらの音響駆動パターンは、もともと自然画像用に設計されたアルゴリズムに対して超音波を難しくする。 このギャップを埋めるために、この分野はますます基礎モデルに転換し、その一般化能力を活用しようとしている。 しかし、これらのモデルは超音波物理学のために設計されたものではなく、単に超音波データに基づいて訓練されているため、超音波応用においてしばしば失敗する。 したがって、超音波固有のドメイン知識を確立された学習フレームワークに統合することが不可欠である。 本研究では、テクスチャ分析問題として自己教師あり学習を再構築し、テクスチャ・テクスチャ・セマンティック・アナリシス(TUSA)を導入した。 TUSAを用いて、モデルは、単純なBモード画像から直接真のドメイン固有表現を抽出するために、高度にスケーラブルなコントラスト的手法を活用することを学ぶ。 我々は、オープンソース、シミュレート、生体内データの組み合わせに基づいて、TUSAモデルを訓練する。 潜在空間は、いくつかの大きな基礎モデルと比較され、我々のアプローチにより、TUSAモデルは、ユニークなオンラインデータセット上の難しい下流タスクや、本研究のために収集された臨床眼球データセットに対して、より良い一般化性が得られることを示した。 肝脂肪症 (r = 0.83), 吐出率 (r = 0.63), 酸素飽和度 (r = 0.38) などの定量的指標と相関し, より高精度に検出できる。 私たちはモデルウェイトとトレーニングスクリプトをオープンソースにしました。

関連論文リスト

• Domain Adaptation of Carotid Ultrasound Images using Generative Adversarial Network [0.2624902795082451]
  本稿では,画像から画像への変換のためのGANに基づく新しいモデルを提案する。 画像のテクスチャパターンの変換に成功し,超音波画像から残響ノイズを除去した。
  論文  参考訳（メタデータ） (2026-01-04T10:08:36Z)
• USF-MAE: Ultrasound Self-Supervised Foundation Model with Masked Autoencoding [0.205246094017924]
  マスク付き自動符号化(USF-MAE)を用いた超音波自己監督基礎モデルについて紹介する。 USF-MAEは超音波データのみに事前訓練された最初の大規模自己監督型MAEフレームワークである。 このモデルは、46のオープンソースデータセットから算出された370,000の2Dおよび3D超音波画像で事前訓練された。
  論文  参考訳（メタデータ） (2025-10-27T04:16:43Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Diffusion as Sound Propagation: Physics-inspired Model for Ultrasound Image Generation [40.38366685713845]
  本稿では,物理に基づく拡散モデルを導入することにより,生成されたUS画像の品質を向上させる新しい手法を提案する。 提案モデルは超音波画像における音波伝搬の自然な挙動を模倣する米国固有のスケジューラスキームを取り入れたものである。
  論文  参考訳（メタデータ） (2024-07-07T16:09:20Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。