論文の概要: Automated Quality Assessment of Blind Sweep Obstetric Ultrasound for Improved Diagnosis

• arxiv url: http://arxiv.org/abs/2603.25886v1
• Date: Thu, 26 Mar 2026 20:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.262481
• Title: Automated Quality Assessment of Blind Sweep Obstetric Ultrasound for Improved Diagnosis
• Title（参考訳）: 点眼下腹部超音波検査の診断精度向上のための自動評価法
• Authors: Prasiddha Bhandari, Kanchan Poudel, Nishant Luitel, Bishram Acharya, Angelina Ghimire, Tyler Wellman, Kilian Koepsell, Pradeep Raj Regmi, Bishesh Khanal,
• Abstract要約: 本稿では,Blind Sweep Obstetric Ultrasound(BSOU)の品質の体系的評価と,その3つの重要なAIタスクへの影響について述べる。 モデルロバスト性を定量化するために, 逆スイープ方向, プローブインバージョン, 不完全なスイープを含む, 妥当な取得偏差をシミュレートする。 以上の結果から,BSOUをベースとしたAIモデルの変動性獲得に対する感受性を強調し,信頼性の高いスケーラブルなAI支援新生児超音波構築において,自動品質評価が中心的な役割を果たすことを示した。
• 参考スコア（独自算出の注目度）: 1.3020284761626657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blind Sweep Obstetric Ultrasound (BSOU) enables scalable fetal imaging in low-resource settings by allowing minimally trained operators to acquire standardized sweep videos for automated Artificial Intelligence(AI) interpretation. However, the reliability of such AI systems depends critically on the quality of the acquired sweeps, and little is known about how deviations from the intended protocol affect downstream predictions. In this work, we present a systematic evaluation of BSOU quality and its impact on three key AI tasks: sweep-tag classification, fetal presentation classification, and placenta-location classification. We simulate plausible acquisition deviations, including reversed sweep direction, probe inversion, and incomplete sweeps, to quantify model robustness, and we develop automated quality-assessment models capable of detecting these perturbations. To approximate real-world deployment, we simulate a feedback loop in which flagged sweeps are re-acquired, showing that such correction improves downstream task performance. Our findings highlight the sensitivity of BSOU-based AI models to acquisition variability and demonstrate that automated quality assessment can play a central role in building reliable, scalable AI-assisted prenatal ultrasound workflows, particularly in low-resource environments.
• Abstract（参考訳）: Blind Sweep Obstetric Ultrasound (BSOU)は、最小限の訓練を受けたオペレータが自動化人工知能(AI)解釈のための標準化されたスイープビデオを取得することによって、低リソース環境でスケーラブルな胎児イメージングを可能にする。 しかし、このようなAIシステムの信頼性は、取得したスイープの品質に大きく依存しており、意図したプロトコルからの逸脱が下流の予測に与える影響についてはほとんど分かっていない。 本研究では,BSOU品質の体系的評価を行い,BSOUの品質がスイープタグ分類,胎児提示分類,胎盤位置分類の3つの重要なAIタスクに与える影響について述べる。 本研究では, 逆スイープ方向, プローブインバージョン, 不完全なスイープを含む可塑性取得偏差をシミュレートし, モデルロバスト性を定量化し, これらの摂動を検出できる自動品質評価モデルを開発する。 実世界の展開を近似するために、フラグ付きスイープが再取得されるフィードバックループをシミュレートし、そのような修正によって下流タスクのパフォーマンスが向上することを示す。 我々の研究は、BSOUベースのAIモデルによる可変性獲得に対する感受性を強調し、特に低リソース環境において、信頼性でスケーラブルなAI支援の出生前超音波ワークフローを構築する上で、自動品質アセスメントが中心的な役割を果たすことを示した。

関連論文リスト

• GAPS: A Clinically Grounded, Automated Benchmark for Evaluating AI Clinicians [32.33432636089606]
  AI臨床システムの現在のベンチマークは、実際の臨床実践に必要な深さ、堅牢性、安全性を捉えていない。 本稿では, GAPSフレームワーク, textbfGrounding (認識深度), textbfAdequacy (回答完全性), textbfPerturbation (損耗性), textbfSafetyを提案する。 GAPS準拠のベンチマークをエンドツーエンドに構築するための,完全自動化されたガイドライン変換パイプラインを開発した。
  論文  参考訳（メタデータ） (2025-10-15T16:40:28Z)
• Efficient Lung Ultrasound Severity Scoring Using Dedicated Feature Extractor [12.280417624228544]
  MeDiVLADは多レベル肺超音波検査のための新しいパイプラインである。 我々は、自己知識蒸留を利用して、ラベルや集合フレームレベルの特徴を伴わずに視覚変換器(ViT)を事前訓練する。 最小限の微調整により、MeDiVLADはフレームレベルおよびビデオレベルのスコアリングにおいて従来の完全教師付き手法よりも優れることを示す。
  論文  参考訳（メタデータ） (2025-01-21T22:28:22Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Evaluation of self-supervised pre-training for automatic infant movement classification using wearable movement sensors [2.995873287514728]
  乳幼児ウェアラブルMAIJUは、乳幼児の運動性能を病院外環境で自動的に評価する手段を提供する。 そこで本研究では,MAIJU録音の分析に用いる分類器の性能向上について検討した。
  論文  参考訳（メタデータ） (2023-05-16T11:46:16Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• AI system for fetal ultrasound in low-resource settings [6.601152168099057]
  妊娠年齢 (GA) と胎児の誤表現を推定するために, 初心者が取得した"盲検"超音波ビデオを用いた人工知能システムを開発し, 検証した。 我々のAIモデルは、低リソース設定で軽量に訓練された超音波オペレーターの能力の高水準化を支援する可能性がある。
  論文  参考訳（メタデータ） (2022-03-18T19:39:34Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。