論文の概要: A Unified Framework for the Detection and Classification of Fatty Pancreas in Ultrasound Images

• arxiv url: http://arxiv.org/abs/2605.07466v1
• Date: Fri, 08 May 2026 09:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.941477
• Title: A Unified Framework for the Detection and Classification of Fatty Pancreas in Ultrasound Images
• Title（参考訳）: 超音波画像における脂肪膵の検出と分類のための統一的枠組み
• Authors: Ioan-Tudor-Alexandru Anghel, Ciprian-Mihai Ceausescu, Elena Dana Nedelcu, Elena Raluca Stirban, Camelia Croitoru, Despina Ungureanu, Ana Maria Palan, Gabriela Pop,
• Abstract要約: 非アルコール性脂肪膵疾患(非アルコール性脂肪膵疾患、NAFPD)は、メタボリックシンドローム、インスリン抵抗性、膵癌のリスクの増加に関連する診断下状態である。 腹部超音波画像から正常膵と脂肪膵を自動分類するためのエンドツーエンドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-alcoholic fatty pancreas disease (NAFPD) is an underdiagnosed condition associated with metabolic syndrome, insulin resistance, and increased risk of pancreatic cancer. Diagnosis typically relies on subjective visual assessment of ultrasound images by clinicians. We propose an end-to-end framework for automatically classifying normal versus fatty pancreas from abdominal ultrasound images. Our method employs a TransUNet-based segmentation architecture with a ResNet encoder and transformer bottleneck to delineate the pancreas and the splenic vein, followed by anatomically-guided patch extraction and patient-level classification through pairwise texture comparison. The feature engineering mimics clinical reasoning by comparing the echogenicity of peri-venous fat to the pancreatic parenchyma, providing an interpretable signal for classification. The segmentation models are initialized via domain-specific transfer learning from a liver segmentation task. We validate the full pipeline on a clinical dataset of 214 abdominal ultrasound images with 107 expert-labeled cases using 5-fold cross-validation. SVM with RBF kernel achieves a mean cross-validated accuracy of 89.7\%\,$\pm$\,1.8\% and F1 of 0.898\,$\pm$\,0.019, while the unsupervised K-Means baseline reaches 87.8\% accuracy, demonstrating that the proposed features capture the relevant clinical signal even without labeled training data. To our knowledge, this is the first end-to-end automated framework for fatty pancreas classification from ultrasound using segmentation-guided texture analysis.
• Abstract（参考訳）: 非アルコール性脂肪膵疾患(非アルコール性脂肪膵疾患、NAFPD)は、メタボリックシンドローム、インスリン抵抗性、膵癌のリスクの増加に関連する診断下状態である。 診断は通常、臨床医による超音波画像の主観的視覚的評価に依存する。 腹部超音波画像から正常膵と脂肪膵を自動分類するためのエンドツーエンドフレームワークを提案する。 本手法では,ResNetエンコーダとトランスフォーマーのボトルネックを併用したTransUNetベースのセグメンテーションアーキテクチャを用いて膵臓と脾静脈をデライン化し,次いで解剖学的にガイドされたパッチ抽出と患者レベルの分類を行う。 本発明の特徴工学は、末梢静脈脂肪のエコー原性と膵頭葉腫を比較して臨床推論を模倣し、分類のための解釈可能な信号を提供する。 セグメンテーションモデルは、肝臓セグメンテーションタスクからドメイン固有トランスファーラーニングによって初期化される。 腹腔鏡下腹部超音波像214例を対象に, 5倍のクロスバリデーションを用いて107例の腹腔鏡検査を行った。 RBFカーネルを用いたSVMは89.7\%、$\pm$\,1.8\%、F1 of 0.898\,$\pm$\,0.019のクロスバリデーション精度を達成する一方、教師なしのK-Meansベースラインは87.8\%の精度に達し、提案された特徴がラベル付きトレーニングデータなしで関連する臨床信号を取得することを示した。 我々の知る限り、これはセグメンテーション誘導テクスチャ分析を用いて超音波から脂肪膵を分類する最初のエンドツーエンド自動化フレームワークである。

関連論文リスト

• UNICORN: Ultrasound Nakagami Imaging via Score Matching and Adaptation for Assessing Hepatic Steatosis [45.189136663158656]
  超音波中上イメージングは、後方散乱信号における組織散乱の可視化と定量化を約束する。 既存の中上画像撮影手法では, ウィンドウサイズ選択が最適であり, 推定の不安定性に悩まされている。 超音波封筒信号のスコア関数に基づいて,中上パラメータ推定のための正確なクローズドフォーム推定器であるUNICORNを提案する。
  論文  参考訳（メタデータ） (2026-03-16T07:28:08Z)
• Improved cystic hygroma detection from prenatal imaging using ultrasound-specific self-supervised representation learning [0.18058404137575482]
  嚢胞性横隔膜腫(Cystic hygroma)は、高リスク出生前超音波検査で、染色体異常、構造的異常、および妊娠の悪影響を呈する。 本研究は,第1トリメスター超音波画像において,超音波による自己教師付き事前訓練が,嚢胞性肥大症を高精度かつ堅牢に検出するのに役立つかどうかを検証した。
  論文  参考訳（メタデータ） (2025-12-28T00:07:26Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• A Deep Learning Framework for Thyroid Nodule Segmentation and Malignancy Classification from Ultrasound Images [2.875000842489767]
  本稿では,完全自動化された悪性度予測のための2段階のフレームワークを提案する。 本手法は,臨床的に関係のある領域にのみ集中させ,解釈可能性を実現する。 これは、超音波画像上で甲状腺結節を検出し、悪性度を予測するための、最初の完全なエンドツーエンドパイプラインである。
  論文  参考訳（メタデータ） (2025-11-14T23:23:24Z)
• Class-Aware Cartilage Segmentation for Autonomous US-CT Registration in Robotic Intercostal Ultrasound Imaging [39.597735935731386]
  形状制約後処理を施したクラスアウェア軟骨骨分節ネットワークを提示し, 患者固有の骨骨格を捕捉する。 一般的なテンプレートから個々の患者へ、宿主間走査経路をマッピングするために、密度の高い骨格グラフに基づく非剛性登録が提示される。 提案手法は,CTテンプレートから個々の患者へのパスを,頑健かつ正確にマッピングできることを示す。
  論文  参考訳（メタデータ） (2024-06-06T14:15:15Z)
• Detection of Peri-Pancreatic Edema using Deep Learning and Radiomics Techniques [3.6663216419047964]
  本研究は,膵疾患255例から得られた新しいCTデータセットをテクスタイピングし,アノテート膵セグメンテーションマスクとそれに対応する膵周囲浮腫の診断ラベルを特徴とする。 我々はまず,リニアトランスフォーマーに基づくセグメント化アルゴリズムであるtextitLinTransUNet モデルの有効性を評価し,CT画像データから膵臓を正確に分割する。 次に,2つの独特の機械学習分類器を持つ分節膵領域を用いて,深部膵浮腫の存在を同定する:深部膵浮腫モデルと放射線治療ベースのeXtreme Gradient Boosting (XGBoost)。
  論文  参考訳（メタデータ） (2024-04-25T22:20:17Z)
• Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient Network [37.931408083443074]
  Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。 PLANは95%と96%の患者レベルの感度と特異性を達成している。 造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-17T06:21:45Z)
• Meta-information-aware Dual-path Transformer for Differential Diagnosis of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
  膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。 提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。 以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-02T03:34:28Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Deeply supervised UNet for semantic segmentation to assist dermatopathological assessment of Basal Cell Carcinoma (BCC) [2.031570465477242]
  unetアーキテクチャに基づく複数のモデルを用いた意味セグメンテーションによる基底細胞癌(bcc)の検出に焦点を当てた。 unetネットワークの最初の2つの異なるエンコーダと2つの追加のトレーニング戦略を分析した。 最高のモデルは、テストセット上の96%、精度、感度、および特異性を達成します。
  論文  参考訳（メタデータ） (2021-03-05T15:39:55Z)

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。