論文の概要: Focus on What Matters: Two-Stage ROI-Aware Refinement for Anatomy-Preserving Fetal Ultrasound Reconstruction

• arxiv url: http://arxiv.org/abs/2604.23839v1
• Date: Sun, 26 Apr 2026 18:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.588012
• Title: Focus on What Matters: Two-Stage ROI-Aware Refinement for Anatomy-Preserving Fetal Ultrasound Reconstruction
• Title（参考訳）: 解剖学的に保存された胎児超音波再建のための2段階ROI対応リファインメント
• Authors: Ines Abbes, Mahmood Alzubaidi, Mowafa Househ, Khalid Alyafei, Marco Agus, Samir Brahim Belhaouari,
• Abstract要約: 測定クリティカル超音波タスクは、しばしば小さな解剖学的領域に依存するため、臨床像に対する信頼性の低い指標となる。 我々はROIを意識した表現学習フレームワークを提案し、マルチホスピタルドメインシフトの下で第1三次ヌーカル透明度(NT)スクリーニングを行う。 2相畳み込みオートエンコーダ(CAE)は、まずMS-SSIMを介してグローバルに忠実な128次元潜伏符号を学習し、次に強度(L1)と正規化されたソベルエッジ制約を用いてNTROIを洗練する。
• 参考スコア（独自算出の注目度）: 6.884711449184333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Measurement-critical ultrasound tasks often depend on a small anatomical region, making global reconstruction metrics an unreliable proxy for clinical fidelity. We propose an ROI-aware representation learning framework and instantiate it for first-trimester nuchal translucency (NT) screening under multi-hospital domain shift. A two-phase convolutional autoencoder (CAE) first learns a globally faithful 128-D latent code via MS-SSIM, then refines the NT ROI using intensity (L1) and normalized Sobel-edge constraints. To combine these heterogeneous objectives without manual tuning, we initialize loss weights via gradient-based calibration from per-term gradient magnitudes. Under strict hospital-wise evaluation with one hospital held out, ROI refinement improves both global and measurement-relevant quality: on the standard dev split it increases PSNR by +0.27 dB (val) and +0.29 dB (held-out test), reduces ROI MAE by 8.87% (val) and 6.43% (held-out test), and reduces ROI Edge-MAE by 11.10% on source hospitals and 4.90% on the unseen hospital. Beyond reconstruction, frozen-latent probes provide additional evidence of generalization: hospital provenance becomes less confidently predictable on the unseen site (0.556 to 0.541 max-softmax; 0.684 to 0.688 entropy) while OOD detection remains strong across site-held-out protocols (Mahalanobis AUROC up to 0.9956, with modest KNN gains in challenging splits). The same ROI-aware refinement principle is anatomy-agnostic and can be adopted for other fetal biometry targets (e.g., crown-rump length (CRL), nasal bone (NB)) and broader medical imaging settings where small ROIs dominate clinical decisions.
• Abstract（参考訳）: 測定クリティカル超音波タスクは、しばしば小さな解剖学的領域に依存するため、大域的な再建指標を臨床像の信頼性の低いプロキシにする。 我々はROIを意識した表現学習フレームワークを提案し、マルチホスピタルドメインシフトの下で第1三次ヌーカル透明度(NT)スクリーニングを行う。 2相畳み込みオートエンコーダ(CAE)は、まずMS-SSIMを介してグローバルに忠実な128次元潜伏符号を学習し、次に強度(L1)と正規化されたソベルエッジ制約を用いてNTROIを洗練する。 手動チューニングを使わずにこれらの不均一な目的を組み合わせるため、時間ごとの勾配等級から勾配に基づくキャリブレーションにより損失重みを初期化する。 1つの病院での厳格な病院評価の下で、ROI改善は、グローバルと測定関連品質の両方を改善する:標準分割では、PSNRを+0.27dB(val)と+0.29dB(held-out test)で増加させ、ROI MAEを8.87%(val)で6.43%(held-out test)で減少させ、ROI Edge-MAEを11.10%、未確認の病院で4.90%削減する。 病院の発見は、未確認の場所(0.556から0.541の最大ソフトマックス、0.684から0.688のエントロピー)では信頼性が低下する一方、OOD検出はサイト完備のプロトコル(Mahalanobis AUROC は 0.9956 まで増加し、難解な分割ではわずかに KNN が上昇する。 同じROIを意識した改善原則は解剖学的非依存であり、他の胎児のバイオメトリターゲット(例えば、クラウン・ラムプ長(CRL)、鼻骨(NB))や、小さなROIが臨床上の決定を左右する広い医療画像設定に採用することができる。

関連論文リスト

• Improving Generalization of Deep Learning for Brain Metastases Segmentation Across Institutions [5.4585656405659195]
  この作業の目標は、BMセグメンテーションを複数の機関で使用できるようにするためのドメイン適応フレームワークを作ることである。 本稿では,変分オートエンコーダ(VAE)と平均誤差損失(MMD)を組み合わせたVAE-MMD前処理パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-04-01T02:25:25Z)
• ODySSeI: An Open-Source End-to-End Framework for Automated Detection, Segmentation, and Severity Estimation of Lesions in Invasive Coronary Angiography Images [23.05175906366438]
  Invasive Coronary Angiography (ICA) は冠動脈疾患の診断における臨床標準である。 本研究では,ICA画像の自動検出,病変,重症度推定のためのオープンソースフレームワークODySSeIを紹介する。 ODySSeIは、新しいピラミッド拡張スキーム(PAS)を用いて訓練された深層学習に基づく病変検出と病変分割モデルを統合する 我々のLSE技術は,MLDの予測値が,対応する基底真理からpm$2-3ピクセルしか差がないため,精度が高い。
  論文  参考訳（メタデータ） (2026-03-20T15:07:15Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$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)
• Region-of-Interest Augmentation for Mammography Classification under Patient-Level Cross-Validation [0.0]
  我々は,Mini-DDSMデータセット(画像9,684枚,患者2,414枚)を再検討し,軽量な関心領域(ROI)拡張戦略を導入した。 トレーニング中、フルイメージは確率的に、事前に計算されたラベルフリーのバウンディングボックスバンクからサンプリングされたランダムROIの作物に置き換えられる。 厳密な患者レベルのクロスバリデーションで評価し,ROC-AUC,PR-AUC,トレーニング時間効率の指標を報告する。
  論文  参考訳（メタデータ） (2025-09-24T21:52:49Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)

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。