論文の概要: Annotation-free deep learning for detection and segmentation of fetal germinal matrix-intraventricular hemorrhage in brain MRI

• arxiv url: http://arxiv.org/abs/2605.09575v1
• Date: Sun, 10 May 2026 14:39:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.318474
• Title: Annotation-free deep learning for detection and segmentation of fetal germinal matrix-intraventricular hemorrhage in brain MRI
• Title（参考訳）: 脳MRIにおける胎児胚性マトリクス-心室出血の検出と分画のための注釈なし深層学習
• Authors: Mingxuan Liu, Yingqi Hao, Yi Liao, Juncheng Zhu, Haoxiang Li, Hongjia Yang, Yifei Chen, Yijin Li, Kasidit Anmahapong, Zihan Li, Jialan Zheng, Min Kang, Yan Song, Hua Lai, Xiaoling Zhou, Nan Sun, Rong Hu, Gang Ning, Haibo Qu, Qiyuan Tian,
• Abstract要約: 出生前胚性マトリックス-心室性出血(GMH-IVH)は乳児の死亡と神経発達障害の原因である。 ディープラーニングモデルは自動化の可能性を秘めているが、通常は大きな注釈付きデータセットを必要とする。 FreeHemoSegは、通常の胎児データから合成された擬似GMH-IVH画像を用いて開発、訓練された。
• 参考スコア（独自算出の注目度）: 35.75434967398725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Prenatal germinal matrix-intraventricular hemorrhage (GMH-IVH) is a leading cause of infant mortality and neurodevelopmental impairment. Manual diagnosis and lesion segmentation are labor-intensive and error-prone. Deep learning models offer potential for automation but typically require large annotated datasets, which are challenging to obtain. Purpose: To develop and validate an annotation-free deep learning framework for automated detection and segmentation of GMH-IVH on brain MRI. Materials and Methods: This retrospective study analyzed 2D T2-weighted MRI data from pregnant women collected from October 2015 to October 2023 at one hospital (internal validation) and two hospitals (external validation). Eligible participants included healthy fetuses and those with GMH-IVH. FreeHemoSeg was developed and trained using pseudo GMH-IVH images synthesized from normal fetal data guided by medical priors. Primary outcomes included diagnostic accuracy (area under the ROC curve [AUROC], sensitivity, specificity) and segmentation accuracy (Dice similarity coefficient [DSC]). A reader study evaluated clinical utility. Results: A total of 1674 stacks from 558 pregnant women were analyzed. FreeHemoSeg achieved the highest performance in both internal (sensitivity: 0.914, 95% CI 0.869-0.945; specificity: 0.966, 95% CI 0.946-0.978; DSC: 0.559, 95% CI 0.546-0.571) and external validation (sensitivity: 0.824, 95% CI 0.739-0.885; specificity: 0.943, 95% CI 0.913-0.964; DSC: 0.512, 95% CI 0.497-0.526), outperforming supervised and unsupervised methods. FreeHemoSeg assistance improved radiologists' sensitivity (from 0.882 to 0.941-1.000) and diagnostic confidence while reducing interpretation time by 16.0-52.7%. Conclusion: FreeHemoSeg accurately detects and localizes fetal brain hemorrhages without annotated training data, enabling earlier diagnosis and supporting timely clinical management.
• Abstract（参考訳）: 背景: 新生児死亡と神経発達障害の主な原因は, 出生前胚性マトリックス-心室性出血 (GMH-IVH) である。 手技による診断と病変の分節は、労働集約的かつエラーを起こしやすい。 ディープラーニングモデルは自動化の可能性を秘めているが、一般的には大きな注釈付きデータセットを必要とするため、入手は困難である。 目的:脳MRIにおけるGMH-IVHの自動検出とセグメンテーションのためのアノテーションのないディープラーニングフレームワークの開発と検証を行う。 対象と方法:2015年10月から2023年10月までに1つの病院と2つの病院で収集された妊婦の2D T2強調MRIデータを分析した。 対象は健康な胎児とGMH-IVH群であった。 FreeHemoSegは、医療先駆者によってガイドされた正常胎児データから合成された偽GMH-IVH画像を用いて開発、訓練された。 その結果,診断精度(ROC曲線[AUROC]下,感度,特異性)とセグメンテーション精度(Dice similarity coefficient[DSC])が得られた。 臨床的有用性の評価方法の検討 結果:558人の妊婦の合計1674個のスタックが分析された。 FreeHemoSegは、内部(感度:0.914, 95% CI 0.869-0.945; 特異性:0.966, 95% CI 0.946-0.978; DSC: 0.559, 95% CI 0.546-0.571; 特異性: 0.824, 95% CI 0.739-0.885; 特異性: 0.943, 95% CI 0.913-0.964; DSC: 0.512, 95% CI 0.497-0.526)と外的検証(感度: 0.924, 95% CI 0.739-0.885; 特異性: 0.943, 95% CI 0.913-0.964; DSC: 0.512, 95% CI 0.497-0.526)の両方で最高のパフォーマンスを達成した。 FreeHemoSegは放射線技師の感度を0.882から0.941-1.000に改善し、解釈時間を16.0-52.7%短縮した。 結論: FreeHemoSegは、アノテートされたトレーニングデータなしで胎児の脳出血を正確に検出し、ローカライズし、早期診断を可能にし、タイムリーな臨床管理を支援する。

関連論文リスト

• An Explainable AI-Driven Framework for Automated Brain Tumor Segmentation Using an Attention-Enhanced U-Net [0.6087515951830486]
  本稿では,実行中の注意ゲートを付加したU-Netモデルに基づく新たなセグメンテーション手法を提案する。 クラス不均衡に対応するために、標準的な分類的クロスエントロピーとともに、Dice LossやCategorical Dice Lossのような手動設計の損失関数を用いる。 提案手法は精度0.9919,Dice係数0.9901,IoU0.9873,感度0.9908,特異度0.9974で優れた性能を示した。
  論文  参考訳（メタデータ） (2026-03-24T15:42:49Z)
• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• 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)
• An Automated Classifier of Harmful Brain Activities for Clinical Usage Based on a Vision-Inspired Pre-trained Framework [4.264452248986976]
  VIPEEGNetはマサチューセッツ総合病院/ハーバード医科大学から記録された脳波を用いて開発された。 多重分類では、6つのカテゴリに対するVIPEEGNETの感度は36.8%から88.2%である。
  論文  参考訳（メタデータ） (2025-07-10T02:22:13Z)
• 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)
• 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)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Deep Learning-Based Automatic Diagnosis System for Developmental Dysplasia of the Hip [3.216812203515066]
  股関節の発達性異形成の臨床的診断は、通常は手動で重要な放射線学的角度を計測する。 本研究の目的は,DDH診断の精度と整合性を高めるために,これらの測定値を統合する自動システムを開発することである。
  論文  参考訳（メタデータ） (2022-09-07T19:50:30Z)
• Weak labels and anatomical knowledge: making deep learning practical for intracranial aneurysm detection in TOF-MRA [0.0]
  我々は、過大な弱いラベルを用いてトレーニングされる、完全に自動化されたディープニューラルネットワークを開発する。 当社のネットワークは、社内データで平均77%の感度を達成し、患者1人当たりの平均False Positive(FP)レートは0.72です。
  論文  参考訳（メタデータ） (2021-03-10T16:31:54Z)

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。