論文の概要: Anatomical Prior-Driven Framework for Autonomous Robotic Cardiac Ultrasound Standard View Acquisition

• arxiv url: http://arxiv.org/abs/2603.21134v1
• Date: Sun, 22 Mar 2026 09:11:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.251342
• Title: Anatomical Prior-Driven Framework for Autonomous Robotic Cardiac Ultrasound Standard View Acquisition
• Title（参考訳）: 自律型ロボット心エコー標準視獲得のための解剖学的事前駆動フレームワーク
• Authors: Zhiyan Cao, Zhengxi Wu, Yiwei Wang, Pei-Hsuan Lin, Li Zhang, Zhen Xie, Huan Zhao, Han Ding,
• Abstract要約: 解剖学的前駆体(AP)駆動のフレームワークが提案され,心臓構造セグメンテーションと自律型プローブ調整を統合した。 APは、確率的なAPを構築するために、空間関係グラフ(SRG)モジュールに取り付けられる。 実験はフレームワークの有効性を検証する。
• 参考スコア（独自算出の注目度）: 15.937619557248182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac ultrasound diagnosis is critical for cardiovascular disease assessment, but acquiring standard views remains highly operator-dependent. Existing medical segmentation models often yield anatomically inconsistent results in images with poor textural differentiation between distinct feature classes, while autonomous probe adjustment methods either rely on simplistic heuristic rules or black-box learning. To address these issues, our study proposed an anatomical prior (AP)-driven framework integrating cardiac structure segmentation and autonomous probe adjustment for standard view acquisition. A YOLO-based multi-class segmentation model augmented by a spatial-relation graph (SRG) module is designed to embed AP into the feature pyramid. Quantifiable anatomical features of standard views are extracted. Their priors are fitted to Gaussian distributions to construct probabilistic APs. The probe adjustment process of robotic ultrasound scanning is formalized as a reinforcement learning (RL) problem, with the RL state built from real-time anatomical features and the reward reflecting the AP matching. Experiments validate the efficacy of the framework. The SRG-YOLOv11s improves mAP50 by 11.3% and mIoU by 6.8% on the Special Case dataset, while the RL agent achieves a 92.5% success rate in simulation and 86.7% in phantom experiments.
• Abstract（参考訳）: 心臓超音波検査は心血管疾患の診断に重要であるが, 診断基準の取得は術者に依存している。 既存の医療セグメンテーションモデルは、しばしば解剖学的に矛盾する結果をもたらすが、異なる特徴クラス間でのテクスチャの区別が不十分な画像に対して、自律的なプローブ調整法は、単純化的なヒューリスティックルールやブラックボックス学習に依存する。 これらの課題に対処するため,本研究では,心臓構造分割と自律型プローブ調整を統合した解剖学的前駆体(AP)駆動型フレームワークを提案する。 空間関係グラフ(SRG)モジュールによって拡張されたYOLOベースのマルチクラスセグメンテーションモデルは、特徴ピラミッドにAPを埋め込むように設計されている。 標準的なビューの定量的解剖学的特徴を抽出する。 彼らの前者は確率APを構築するためにガウス分布に適合する。 ロボット超音波スキャンのプローブ調整プロセスは、実時間解剖学的特徴とAPマッチングを反映した報酬から構築されたRL状態を用いて、強化学習(RL)問題として定式化される。 実験はフレームワークの有効性を検証する。 SRG-YOLOv11sはmAP50を11.3%改善し、mIoUは6.8%改善した。

関連論文リスト

• Investigating Deep Learning Models for Ejection Fraction Estimation from Echocardiography Videos [2.86829428083307]
  左室放出分画(LVEF)は心機能の指標である。 ディープラーニングアプローチは、経験豊富な人間の専門家に匹敵するパフォーマンスを達成する可能性を提供します。
  論文  参考訳（メタデータ） (2025-12-27T17:11:17Z)
• End-to-End Framework Integrating Generative AI and Deep Reinforcement Learning for Autonomous Ultrasound Scanning [18.746846962661433]
  本稿では、生成型AIとDRLを統合して、自律的かつ再現可能な心臓USスキャンを可能にする、初のエンドツーエンドフレームワークを提案する。 提案するフレームワークは、画像タイプを分類し、品質を評価するエキスパート検証モデルを通じて、AIによるガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-10-31T00:54:49Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Cardiomyopathy Diagnosis Model from Endomyocardial Biopsy Specimens: Appropriate Feature Space and Class Boundary in Small Sample Size Data [0.0]
  本研究の目的は, 心筋症の病態診断において, テクスチャの特徴が特徴抽出に有効かどうかを検討することである。 以上の結果より, テクスチャの特徴が心筋症の病態診断に有効である可能性が示唆された。
  論文  参考訳（メタデータ） (2025-03-14T11:59:23Z)
• 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)
• Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning [45.5123007404575]
  胸腔鏡検査は, 皮下リブケージの音響的影が原因で, 依然として困難である。 本研究は, 内臓器病変のモニタリングを行うために, リブ間の走査経路を計画するための強化学習手法を提案する。 ランダムに定義された単一または複数の走査ターゲットを持つ未確認のCTに対して実験が実施されている。
  論文  参考訳（メタデータ） (2024-04-15T16:52:53Z)
• Skeleton Graph-based Ultrasound-CT Non-rigid Registration [40.40844749663152]
  皮膚下骨表面の特徴を用いて患者固有の特性を適応させるスケルトングラフに基づく非リグイド登録を提案する。 提案手法を検証するために,1人のボランティアと7つのCT軟骨点群から,異なる患者からUS軟骨点群を手動で抽出した。
  論文  参考訳（メタデータ） (2023-05-14T19:21:43Z)
• Identification of Autism spectrum disorder based on a novel feature selection method and Variational Autoencoder [7.0876609220947655]
  安静時機能的磁気共鳴画像(rs-fMRI)のような非侵襲的脳イメージングは、自閉症スペクトラム障害(ASD)の早期診断に有望な解決策である 本稿では rs-fMRI に基づく ASD 診断を支援するための分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T08:50:48Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• 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)
• A Systematic Search over Deep Convolutional Neural Network Architectures for Screening Chest Radiographs [4.6411273009803065]
  胸部X線写真は肺・胸部疾患のスクリーニングに用いられる。 近年の取り組みは、深層畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた性能ベンチマークを実証している。 複数の標準CNNアーキテクチャを体系的に探索し、分類性能がアンサンブルと同等であることが判明した単一候補モデルを特定した。
  論文  参考訳（メタデータ） (2020-04-24T12:30:40Z)

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。