論文の概要: UltraStar: Semantic-Aware Star Graph Modeling for Echocardiography Navigation
- arxiv url: http://arxiv.org/abs/2603.01461v1
- Date: Mon, 02 Mar 2026 05:21:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.693064
- Title: UltraStar: Semantic-Aware Star Graph Modeling for Echocardiography Navigation
- Title（参考訳）: UltraStar: 心エコーナビゲーションのためのセマンティック・アウェア・スターグラフモデリング
- Authors: Teng Wang, Haojun Jiang, Chenxi Li, Diwen Wang, Yihang Tang, Zhenguo Sun, Yujiao Deng, Shiji Song, Gao Huang,
- Abstract要約: 経路回帰からアンカーベースグローバルローカライゼーションへのプローブナビゲーションを再構成するUltraStarを提案する。
1.31万以上のサンプルを持つデータセットの実験では、UltraStarはベースラインを上回り、より長い入力長でスケールすることが示されている。
- 参考スコア（独自算出の注目度）: 52.786325504418585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Echocardiography is critical for diagnosing cardiovascular diseases, yet the shortage of skilled sonographers hinders timely patient care, due to high operational difficulties. Consequently, research on automated probe navigation has significant clinical potential. To achieve robust navigation, it is essential to leverage historical scanning information, mimicking how experts rely on past feedback to adjust subsequent maneuvers. Practical scanning data collected from sonographers typically consists of noisy trajectories inherently generated through trial-and-error exploration. However, existing methods typically model this history as a sequential chain, forcing models to overfit these noisy paths, leading to performance degradation on long sequences. In this paper, we propose UltraStar, which reformulates probe navigation from path regression to anchor-based global localization. By establishing a Star Graph, UltraStar treats historical keyframes as spatial anchors connected directly to the current view, explicitly modeling geometric constraints for precise positioning. We further enhance the Star Graph with a semantic-aware sampling strategy that actively selects the representative landmarks from massive history logs, reducing redundancy for accurate anchoring. Extensive experiments on a dataset with over 1.31 million samples demonstrate that UltraStar outperforms baselines and scales better with longer input lengths, revealing a more effective topology for history modeling under noisy exploration.
- Abstract（参考訳）: 心エコー検査は心血管疾患の診断に重要であるが、熟練したソノグラフィーの不足は、高い手術困難のため、タイムリーな患者のケアを妨げる。
その結果,自動探触子ナビゲーションの研究は臨床的に有意な可能性を秘めている。
堅牢なナビゲーションを実現するためには、過去のスキャン情報を活用することが不可欠である。
ソノグラフィーから収集された実際のスキャンデータは、典型的には、試行錯誤によって本質的に生成されるノイズの多い軌跡から成り立っている。
しかし、既存の手法は典型的にはこの歴史をシーケンシャルチェーンとしてモデル化し、モデルがこれらのノイズの多い経路を過度に適合させ、長いシーケンスのパフォーマンス低下を招いた。
本稿では,プローブナビゲーションを経路回帰からアンカーベースグローバルローカライゼーションへ変換するUltraStarを提案する。
スターグラフを確立することで、UltraStarは歴史的キーフレームを現在のビューに直接接続された空間アンカーとして扱い、正確な位置決めのための幾何学的制約を明示的にモデル化する。
我々はさらに、巨大な履歴ログから代表的ランドマークを積極的に選択し、正確なアンカーの冗長性を低減できるセマンティック・アウェア・サンプリング戦略により、スターグラフをさらに強化する。
1.31万以上のサンプルを持つデータセットに対する大規模な実験により、UltraStarはベースラインを上回り、長い入力長でスケールし、ノイズの多い探索の下で歴史モデリングのより効果的なトポロジーを明らかにする。
関連論文リスト
- EchoWorld: Learning Motion-Aware World Models for Echocardiography Probe Guidance [79.66329903007869]
本稿では,プローブ誘導のためのモーションアウェアな世界モデリングフレームワークであるEchoWorldを紹介する。
解剖学的な知識と運動によって引き起こされる視覚力学を符号化する。
200以上の定期的なスキャンから100万枚以上の超音波画像で訓練されている。
論文 参考訳（メタデータ） (2025-04-17T16:19:05Z) - A Novel Tracking Framework for Devices in X-ray Leveraging Supplementary Cue-Driven Self-Supervised Features [6.262161803642583]
本稿では,その時間的可視性を高める自己教師型学習手法を提案する。
本稿では,事前学習した時間ネットワークを効果的に活用する汎用リアルタイム追跡フレームワークを提案する。
バルーンマーカー検出の最大誤差は87%,カテーテル先端検出の最大誤差は61%減少する。
論文 参考訳（メタデータ） (2025-01-22T15:32:07Z) - UltraSeP: Sequence-aware Pre-training for Echocardiography Probe Movement Guidance [70.94473797093293]
本稿では,高品質な標準平面画像取得のためのプローブポーズ調整によるロボットシステムや初心者の誘導に応用可能な,新しいプローブ移動誘導アルゴリズムを提案する。
本研究では, マスクアウト画像の特徴とプローブ動作をスキャンシーケンスで予測することにより, パーソナライズされた3次元心構造の特徴を学習する。
論文 参考訳（メタデータ） (2024-08-27T12:55:54Z) - EchoTracker: Advancing Myocardial Point Tracking in Echocardiography [0.6263680699548959]
EchoTrackerは、超音波画像シーケンスを横切る組織表面のクエリポイントの追跡を容易にする、2倍の粗い粒度モデルである。
実験の結果、平均位置精度は67%、中央軌道誤差は2.86ピクセルである。
このことは、学習に基づく点追跡がパフォーマンスを向上し、臨床測定において高い診断と予後の値が得られることを示唆している。
論文 参考訳（メタデータ） (2024-05-14T13:24:51Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-03-14T02:26:10Z) - ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。
第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。
次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文 参考訳（メタデータ） (2023-12-22T09:02:01Z) - LSDM: Long-Short Diffeomorphic Motion for Weakly-Supervised Ultrasound
Landmark Tracking [18.526583948595555]
ランドマークの可塑性変形を探索する前に学習可能な変形を有するマルチタスク・フレームワークである長短微分同相運動ネットワークを提案する。
具体的には、時間長領域と短領域の両方で新しい微分同相表現を設計し、運動マージンを規定する。
局所解剖学的曖昧さをさらに軽減するため,我々は最大運動アライメントモジュールを提案する。
論文 参考訳（メタデータ） (2023-01-11T22:57:31Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - Robust Landmark-based Stent Tracking in X-ray Fluoroscopy [10.917460255497227]
単一ステントトラッキングのためのエンドツーエンドのディープラーニングフレームワークを提案する。
U-Netベースのランドマーク検出、ResNetベースのステント提案、機能抽出の3つの階層モジュールで構成されている。
実験により,本手法は最先端のポイントベース追跡モデルと比較して,検出精度が有意に向上していることが示された。
論文 参考訳（メタデータ） (2022-07-20T14:20:03Z) - Phase Retrieval with Holography and Untrained Priors: Tackling the
Challenges of Low-Photon Nanoscale Imaging [7.984370990908576]
位相探索は、マグニチュードのみのフーリエ測定から信号を回復する逆問題である。
ナノスケールの課題に適応したホログラフィック位相検索のためのデータセットフリーなディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-14T10:15:07Z)
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。