論文の概要: Fetal Brain Imaging: A Composite Neural Network Approach for Keyframe Detection in Ultrasound Videos

• arxiv url: http://arxiv.org/abs/2605.09750v1
• Date: Sun, 10 May 2026 20:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.403139
• Title: Fetal Brain Imaging: A Composite Neural Network Approach for Keyframe Detection in Ultrasound Videos
• Title（参考訳）: 胎児脳イメージング:超音波映像における鍵フレーム検出のための複合ニューラルネットワークアプローチ
• Authors: Aleksander Zamojski, Kacper Jarczak, Radoslaw Roszczyk,
• Abstract要約: 提案モデルは、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた複合ニューラルネットワークアーキテクチャである。 CNNは個々のビデオフレームから空間的特徴を抽出し、RNNは各ビデオシーケンス内の連続するフレーム間の時間的依存関係をキャプチャする。 提案モデルは胎児脳超音波検査の効率と精度を向上し, 選択した胎児脳疾患の早期発見, 診断, 治療計画を支援する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article presents a novel approach to keyframe detection in ultrasound videos, with a particular focus on fetal brain imaging. The proposed model is a composite neural network architecture that combines a Convolutional Neural Network (CNN) with a Recurrent Neural Network (RNN). The CNN extracts spatial features from individual video frames, while the RNN captures temporal dependencies between consecutive frames within each video sequence. The proposed model may improve the efficiency and accuracy of fetal brain ultrasound analysis, thereby supporting earlier detection, diagnosis, and treatment planning for selected fetal brain conditions.
• Abstract（参考訳）: 本稿では、超音波ビデオにおけるキーフレーム検出に対する新しいアプローチについて、特に胎児脳画像に焦点をあてる。 提案モデルは、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた複合ニューラルネットワークアーキテクチャである。 CNNは個々のビデオフレームから空間的特徴を抽出し、RNNは各ビデオシーケンス内の連続するフレーム間の時間的依存関係をキャプチャする。 提案モデルは胎児脳超音波検査の効率と精度を向上し, 選択した胎児脳疾患の早期発見, 診断, 治療計画を支援する。

関連論文リスト

• Spectral Graph Neural Networks for Cognitive Task Classification in fMRI Connectomes [0.6372261626436676]
  機械学習を用いた認知タスク分類は、神経画像データから脳状態を復号する上で中心的な役割を果たす。 機械学習と脳ネットワーク解析を統合することで、機能的磁気共鳴イメージングコネクトームから複雑な接続パターンを抽出することができる。 正規化ラプラシア固有分解法を用いて計算したグラフフーリエ変換(GFT)に基づくスペクトル畳み込みフレームワークであるSpectralBrainGNNモデルを提案する。 Human Connectome Project-Taskデータセットの実験では、提案手法の有効性が示され、96.25%の分類精度が達成された。
  論文  参考訳（メタデータ） (2025-12-31T14:54:06Z)
• Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
  クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。 本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。 臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
  論文  参考訳（メタデータ） (2024-09-18T13:40:59Z)
• Brain Tumor Detection using Convolutional Neural Networks with Skip Connections [3.043665249713003]
  我々は磁気共鳴イメージング(MRI)技術を用いて脳腫瘍を良性および悪性のタイプに分類・分類するために,畳み込みニューラルネットワーク(CNN)の異なるアーキテクチャを提案する。 ネットワークの拡張や深化,スキップ接続の追加といった,CNNアーキテクチャの最適化手法を適用し,ネットワークの精度を向上させる。
  論文  参考訳（メタデータ） (2023-07-14T17:52:15Z)
• Forensic Video Steganalysis in Spatial Domain by Noise Residual Convolutional Neural Network [0.0]
  本研究は, 画像ステガナシスに対する畳み込みニューラルネットワーク(CNN)に基づくアプローチを評価する。 ビデオステガノグラフィーデータセットを作成し、CNNを訓練して空間領域で法医学的ステガノリシスを行う。 我々はノイズ残差畳み込みニューラルネットワークを用いて埋め込み秘密を検出する。
  論文  参考訳（メタデータ） (2023-05-29T13:17:20Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• Event-based Video Reconstruction via Potential-assisted Spiking Neural Network [48.88510552931186]
  バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。 完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。 スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
  論文  参考訳（メタデータ） (2022-01-25T02:05:20Z)
• Cross-modal Attention for MRI and Ultrasound Volume Registration [10.725645523967904]
  我々は,クロスモーダル画像登録のための自己認識機構を開発した。 提案するクロスモーダルアテンションブロックは,各特徴量と対応する特徴量とを効果的にマッピングする。 実験の結果,クロスモーダルアテンションブロックを組み込んだCNNネットワークが,CNNネットワークの10倍の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2021-07-09T17:04:02Z)
• The efficiency of deep learning algorithms for detecting anatomical reference points on radiological images of the head profile [55.41644538483948]
  U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。 U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
  論文  参考訳（メタデータ） (2020-05-25T13:51:03Z)

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。