論文の概要: Attention-ResUNet for Automated Fetal Head Segmentation

• arxiv url: http://arxiv.org/abs/2604.18148v1
• Date: Mon, 20 Apr 2026 12:11:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.851789
• Title: Attention-ResUNet for Automated Fetal Head Segmentation
• Title（参考訳）: 胎児の頭部自動分節に対する注意-resUNet
• Authors: Ammar Bhilwarawala, Mainak Bandyopadhyay,
• Abstract要約: Attention-ResUNetは、残留学習とマルチスケールアテンションメカニズムを組み合わせた新しいアーキテクチャである。 提案手法は4つのデコーダレベルにアテンションゲートを統合し,背景雑音を抑えながら解剖学的に関連のある領域に選択的に焦点を合わせる。 ResUNet (99.26%)、Attention U-Net (98.79%)、Swin U-Net (98.60%)、Standard U-Net (98.58%)、U-Net++ (97.46%)の5つのベースラインアーキテクチャを著しく上回っている。
• 参考スコア（独自算出の注目度）: 22.643964229988267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated fetal head segmentation in ultrasound images is critical for accurate biometric measurements in prenatal care. While existing deep learning approaches have achieved a reasonable performance, they struggle with issues like low contrast, noise, and complex anatomical boundaries which are inherent to ultrasound imaging. This paper presents Attention-ResUNet. It is a novel architecture that synergistically combines residual learning with multi-scale attention mechanisms in order to achieve enhanced fetal head segmentation. Our approach integrates attention gates at four decoder levels to focus selectively on anatomically relevant regions while suppressing the background noise, and complemented by residual connections which facilitates gradient flow and feature reuse. Extensive evaluation on the HC18 Challenge dataset where n = 200 demonstrates that Attention ResUNet achieves a superior performance with a mean Dice score of 99.30 +/- 0.14% against similar architectures. It significantly outperforms five baseline architectures including ResUNet (99.26%), Attention U-Net (98.79%), Swin U-Net (98.60%), Standard U-Net (98.58%), and U-Net++ (97.46%). Through statistical analysis we confirm highly significant improvements (p < 0.001) with effect sizes that range from 0.230 to 13.159 (Cohen's d). Using Saliency map analysis, we reveal that our architecture produces highly concentrated, anatomically consistent activation patterns, which demonstrate an enhanced interpretability which is crucial for clinical deployment. The proposed method establishes a new state of the art performance for automated fetal head segmentation whilst maintaining computational efficiency with 14.7M parameters and a 45 GFLOPs inference cost. Code repository: https://github.com/Ammar-ss
• Abstract（参考訳）: 超音波画像における胎児頭部の自動分節は、出生前医療における正確な生体計測に重要である。 既存のディープラーニングアプローチは妥当なパフォーマンスを達成したが、超音波イメージングに固有の低コントラスト、ノイズ、複雑な解剖学的境界といった問題に苦慮している。 本稿では,Attention-ResUNetについて述べる。 残差学習とマルチスケールアテンション機構を相乗的に組み合わせた新しいアーキテクチャで、胎児の頭部のセグメンテーションの強化を実現している。 提案手法は4つのデコーダレベルにおけるアテンションゲートを統合し,背景雑音を抑えながら解剖学的に関係のある領域に選択的に焦点を合わせ,勾配流や特徴の再利用を容易にする残差接続を補完する。 n = 200のHC18 Challengeデータセットの大規模な評価では、Attention ResUNetは99.30 +/- 0.14%のDiceスコアで、同様のアーキテクチャに対して優れたパフォーマンスを達成している。 ResUNet (99.26%)、Attention U-Net (98.79%)、Swin U-Net (98.60%)、Standard U-Net (98.58%)、U-Net++ (97.46%)の5つのベースラインアーキテクチャを著しく上回っている。 統計的解析により、0.230から13.159(コーエンd)までの効果の大きさで、非常に顕著な改善(p < 0.001)を確認した。 本研究では,高濃度で解剖学的に一貫したアクティベーションパターンを創出し,臨床展開に欠かせない高い解釈可能性を示す。 提案手法は,14.7Mパラメータと45GFLOPs推論コストで計算効率を維持しつつ,胎児の頭部自動分割のための新しい最先端性能を確立する。 コードリポジトリ:https://github.com/Ammar-ss

関連論文リスト

• Adapting Foundation Models for Annotation-Efficient Adnexal Mass Segmentation in Cine Images [4.42778347374376]
  超音波による近接性質量評価は、主観的解釈と重要なサーバ間変動によって妨げられることが多い、困難な臨床課題である。 本稿では,事前訓練されたDINOv3基盤視変換器バックボーンのロバストなセマンティクスを活かしたラベル効率のセグメンテーションフレームワークを提案する。 提案手法は,U-Net,U-Net++,DeepLabV3,MAnetなどの完全教師付きベースラインと比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-04-09T09:48:50Z)
• Automated Classification of First-Trimester Fetal Heart Views Using Ultrasound-Specific Self-Supervised Learning [0.205246094017924]
  本研究は,第1トリメスター胎児心電図分類のための自己監督型超音波基礎モデルUSF-MAEの評価である。 USF-MAEは、370,000枚以上の未標識超音波画像のマスク付き自己符号化モデルを用いて事前訓練される。 全評価指標で最高性能を達成し、90.57%の精度、91.15%の精度、90.57%のリコール、90.71%のF1スコアを記録した。
  論文  参考訳（メタデータ） (2025-12-30T22:24:26Z)
• Diagnostic Performance of Universal-Learning Ultrasound AI Across Multiple Organs and Tasks: the UUSIC25 Challenge [34.86849736082012]
  現在の超音波AIは、シングルタスクツールに断片化されている。 汎用AIモデルは、単一のアーキテクチャを使用して複数のタスクにわたって高い精度と効率を達成する。
  論文  参考訳（メタデータ） (2025-12-19T06:54:30Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations [3.1898695141875772]
  このデータセットには,184例のT1強調検査(T1CE)534例と6例の非アノテーションT2強調検査(T2強調検査)190例が含まれている。 提案手法は,自動セグメンテーションモデルの目的とするデータ分布への効率的かつ資源効率の高い一般化を可能にする。 従来の手作業による注釈処理と比較して、効率を約37.4%向上させると見積もられている。
  論文  参考訳（メタデータ） (2025-11-01T09:53:28Z)
• Towards the Automatic Segmentation, Modeling and Meshing of the Aortic Vessel Tree from Multicenter Acquisitions: An Overview of the SEG.A. 2023 Segmentation of the Aorta Challenge [44.01488489205175]
  この分野での進歩を触媒するSEG.A.チャレンジを紹介します。 この課題は、隠れたテストセットで自動アルゴリズムをベンチマークした。 主要な結果は、上位のアルゴリズムのアンサンブルが個々のモデルよりも大幅に優れていたことである。
  論文  参考訳（メタデータ） (2025-10-28T02:33:45Z)
• Efficient Feature Extraction Using Light-Weight CNN Attention-Based Deep Learning Architectures for Ultrasound Fetal Plane Classification [3.998431476275487]
  本稿では,最大のベンチマークデータセットを分類するために,軽量な人工知能アーキテクチャを提案する。 アプローチは、ImageNet1kで事前トレーニングされた軽量のEfficientNet機能抽出バックボーンから微調整される。 本手法は,特徴を洗練するためのアテンション機構と3層パーセプトロンを組み込んだもので,トップ1の96.25%,トップ2の99.80%,F1スコアの0.9576で優れた性能を実現している。
  論文  参考訳（メタデータ） (2024-10-22T20:02:38Z)
• An Approach Towards Physics Informed Lung Ultrasound Image Scoring Neural Network for Diagnostic Assistance in COVID-19 [0.0]
  肺超音波(LUS)における胸膜下領域の音響伝搬に基づく特徴抽出のための新しいアプローチが提示された。 LUSNetと呼ばれるニューラルネットワークは、LUSイメージを、新型コロナウイルスの進行を追跡するために、肺感染症の重症度の異なる5つのクラスに分類するように訓練されている。 新型コロナウイルスの患者10名に対する全回復期間に対するLUS画像のアプローチに関する詳細な分析では、平均5倍のクロスバリデーション精度、感度、特異性はそれぞれ5000コマで97%、93%、98%となっている。
  論文  参考訳（メタデータ） (2021-06-13T13:01:53Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。