論文の概要: Synergistic Foundation Models for Semi-Supervised Fetal Cardiac Ultrasound Analysis: SAM-Med2D Boundary Refinement and DINOv3 Semantic Enhancement

• arxiv url: http://arxiv.org/abs/2605.19799v1
• Date: Tue, 19 May 2026 13:00:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.348935
• Title: Synergistic Foundation Models for Semi-Supervised Fetal Cardiac Ultrasound Analysis: SAM-Med2D Boundary Refinement and DINOv3 Semantic Enhancement
• Title（参考訳）: 半監督胎児心エコー解析のための相乗的基礎モデル:SAM-Med2D境界微細化とDINOv3セマンティックエンハンスメント
• Authors: Tonghao Zhuang, Shanglong Hu, Yongsheng Luo, Zhiqi Zhang, Yu Li,
• Abstract要約: 胎児心エコー画像の関節分割と分類のための半教師付き枠組みを提案する。 本手法は, SAM-Med2DとDINOv3を併用し, 擬似ラベル品質を向上する。 FETUS 2026 のリーダーボードで評価したところ、Dice similarity Coefficient 79.99%、正規化表面距離 61.62%、F1-score 41.20% である。
• 参考スコア（独自算出の注目度）: 5.411754642371615
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a semi-supervised framework for joint segmentation and classification of fetal cardiac ultrasound images. Built upon the EchoCare multi-task backbone, our method integrates SAM-Med2D for boundary refinement and leverages DINOv3 to enhance pseudo-label quality. We introduce view-specific hard masking along with a two-stage optimization strategy: an EMA phase to consolidate segmentation capabilities, followed by a Classification Fine-Tuning phase that freezes segmentation parameters and resets the classification head to recover classification performance without compromising segmentation gains. Evaluated on the FETUS 2026 leaderboard, our method achieves a Dice Similarity Coefficient at 79.99%, Normalized Surface Distance at 61.62%, and F1-score at 41.20%, validating the effectiveness of our approach for prenatal congenital heart disease screening. Source code is publicly available at: https://github.com/2826056177/zcst_fetus2026.
• Abstract（参考訳）: 胎児心エコー画像の関節分割と分類のための半教師付き枠組みを提案する。 提案手法は,EchoCareのマルチタスクバックボーンをベースとして,SAM-Med2DとDINOv3を併用し,擬似ラベル品質を向上する。 セグメンテーション機能を統合するためのEMAフェーズと、セグメンテーションパラメータを凍結し、分類ヘッドをリセットし、セグメンテーションゲインを損なうことなく分類性能を回復する分類微調整フェーズの2段階最適化戦略を紹介する。 FETUS 2026 リーダーボードで評価した結果,Dice similarity Coefficient 79.99%, normalized Surface Distance 61.62%, F1-score 41.20% が得られた。 ソースコードは、https://github.com/2826056177/zcst_fetus2026で公開されている。

関連論文リスト

• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• 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)
• Prompt-Free SAM-Based Multi-Task Framework for Breast Ultrasound Lesion Segmentation and Classification [0.4083182125683813]
  本研究では,病変分類と診断分類を共同で行うマルチタスク深層学習フレームワークを提案する。 提案手法では,高次元SAM特徴を軽量な畳み込みヘッドまたはUNetにインスパイアされたデコーダでデコードし,ピクセルワイドセグメンテーションを実現する。 PreCISE 2025乳房超音波データセットの実験では、クラスごとに80%のトレーニングと20%のテストに分割し、提案手法がDice similarity Coefficient (DSC)の0.887の精度と92.3%の精度を達成することを示した。
  論文  参考訳（メタデータ） (2026-01-09T03:02:41Z)
• The MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024: Efficient and Robust Aggregation Methods for Federated Learning [9.202327404631289]
  われわれはMICCAI Federated tumor (FeTS) Challenge 2024の設計と結果について報告する。 多パラメータMRIにおけるグリオーマサブ領域セグメンテーションのためのフェデレートラーニングに焦点を当てた。 PID制御器を用いた手法が総合ランキングで上位となった。
  論文  参考訳（メタデータ） (2025-12-05T22:59:57Z)
• Dual-Attention U-Net++ with Class-Specific Ensembles and Bayesian Hyperparameter Optimization for Precise Wound and Scale Marker Segmentation [0.0]
  本稿では,チャネルワイズ(SCSE)と空間アテンション機構を統合した,新しいデュアルアテンション型U-Net++アーキテクチャを提案する。 提案手法はF1スコア0.8640を達成し、複雑な医療セグメンテーションタスクに対する効果を実証した。
  論文  参考訳（メタデータ） (2025-07-07T13:24:15Z)
• Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
  心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。 この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-09-24T13:33:46Z)
• Enhancing Generalized Fetal Brain MRI Segmentation using A Cascade Network with Depth-wise Separable Convolution and Attention Mechanism [2.2252684361733293]
  そこで我々は,胎児脳MRIセグメントの精度と一般化を高めるために,CasUNextと呼ばれる新しいカスケードネットワークを提案する。 CasUNextはPhilipsとSiemensの2つのスキャナーから20～36週間の胎児MRIで評価した。 その結果,CasUNext は U-Net や他の最先端手法と比較してセグメンテーション性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2024-05-24T04:23:22Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• 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)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。