論文の概要: Benchmarking Ultrasound Foundation Models for Fetal Plane Classification

• arxiv url: http://arxiv.org/abs/2605.27796v1
• Date: Wed, 27 May 2026 00:32:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.62376
• Title: Benchmarking Ultrasound Foundation Models for Fetal Plane Classification
• Title（参考訳）: 胎児平面分類のための超音波基礎モデルのベンチマーク
• Authors: Leya Barrientos, Yuexi Du, Nicha C. Dvornek,
• Abstract要約: 本研究は胎児平面分類のための超音波特異的基礎モデル(FM)のベンチマークを示す。 FMは、限られたラベル付きデータで一般化できる転送可能な表現を学習するために、多数の超音波画像を使用する。 完全な微調整と凍結エンコーダによる線形探索という2つの補完的な設定の下で,すべてのモデルをトレーニングした。
• 参考スコア（独自算出の注目度）: 3.35969908228128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound is widely used in obstetric care due to its safety, accessibility, and real-time imaging. However, interpretation remains operator-dependent and susceptible to noise and artifacts. Deep learning models have shown strong performance to solve these problem, but they typically require large annotated datasets that are difficult to obtain in clinical ultrasound. Foundation models (FMs) offer an alternative, using a large number of ultrasound images to learn transferable representations that can generalize with limited labeled data. This work presents a comprehensive benchmark of ultrasound-specific FMs for fetal plane classification. We evaluated four ultrasound FMs (USFM, MOFO, UltraSAM, FetalCLIP) against two CNN baselines (ResNet50, EfficientNet-V2) and a ViT (DINOv3) pretrained on natural images. We trained all models under two complementary settings: full fine-tuning and linear probing with a frozen encoder. All models were trained using 5-fold patient-level cross-validation on a Spanish fetal ultrasound dataset and tested on both in-domain data and an external African cohort to assess cross-population generalization. We found that FetalCLIP achieved the best results in the linear probing setting (F1 = 0.9261 for in-domain, F1 = 0.9731 for out-of-domain), while USFM performed best in the full fine-tuning setting (F1 = 0.9476 for in-domain, F1 = 0.9515 for out-of-domain). MOFO and UltraSAM degraded most in both settings, underperforming natural image pretrained models in some cases. These findings highlight how the choice of pretrained model strongly affects fetal plane classification performance, since different pretraining objectives lead to different levels of transferability.
• Abstract（参考訳）: 超音波は、その安全性、アクセシビリティ、リアルタイムイメージングのために、産科医療で広く用いられている。 しかし、解釈は演算子に依存しており、ノイズやアーティファクトに影響を受けやすい。 深層学習モデルはこれらの問題を解決するために強い性能を示してきたが、通常は臨床用超音波では入手が困難である大量の注釈付きデータセットを必要とする。 ファンデーションモデル(FM)は、多数の超音波画像を使用して、限られたラベル付きデータで一般化可能な転送可能な表現を学習する代替手段を提供する。 本研究は胎児平面分類のための超音波特異的FMの総合的ベンチマークを示す。 超音波FM(USFM, MOFO, UltraSAM, FetalCLIP)を2つのCNNベースライン(ResNet50, EfficientNet-V2)とVT(DINOv3)に比較検討した。 完全な微調整と凍結エンコーダによる線形探索という2つの補完的な設定の下で,すべてのモデルをトレーニングした。 いずれのモデルも、スペインの胎児超音波データセット上で5倍の患者レベルのクロスバリデーションを用いてトレーニングされ、クロスポピュレーションの一般化を評価するために、ドメイン内データと外部アフリカのコホートの両方でテストされた。 We found that FetalCLIP achieved the best results in the linear probing setting (F1 = 0.9261, F1 = 0.9731, F1 = 0.9731) while USFM performed best in the full fine-tuning setting (F1 = 0.9476, F1 = 0.9515, out-of- domain)。 MOFOとUltraSAMは両方の設定でほとんど劣化し、いくつかのケースでは自然画像事前訓練モデルに劣っている。 これらの結果から,前訓練モデルの選択が胎児面の分類性能に大きく影響を与えることが示唆された。

関連論文リスト

• Challenging DINOv3 Foundation Model under Low Inter-Class Variability: A Case Study on Fetal Brain Ultrasound [4.07447364754644]
  本研究は, 胎児超音波(US)画像の基礎モデルについて, クラス間変動の少ない条件下での総合評価を行った。 われわれは胎児脳標準平面(TT)、経室(TV)、経脳小脳(TC))に焦点をあて、高い重なり合いの解剖学的特徴を示した。 胎児超音波データで事前訓練されたモデルは、F1スコアの最大20%の重み付けにより、自然画像よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-11-01T13:37:22Z)
• USF-MAE: Ultrasound Self-Supervised Foundation Model with Masked Autoencoding [0.205246094017924]
  マスク付き自動符号化(USF-MAE)を用いた超音波自己監督基礎モデルについて紹介する。 USF-MAEは超音波データのみに事前訓練された最初の大規模自己監督型MAEフレームワークである。 このモデルは、46のオープンソースデータセットから算出された370,000の2Dおよび3D超音波画像で事前訓練された。
  論文  参考訳（メタデータ） (2025-10-27T04:16:43Z)
• Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation [83.02147613524032]
  医療用AIシステムFetalMindについて報告する。 本稿では、専門家による2部グラフをモデルに注入し、ビュー・ディスリーズ関連を分離するSED(Salient Epistemic Disentanglement)を提案する。 FetalMindはすべての妊娠期のオープンソースおよびクローズドソースベースラインを上回り、平均利得は+14%、臨界条件では+61.2%高い。
  論文  参考訳（メタデータ） (2025-10-14T19:57:03Z)
• Advancing Fetal Ultrasound Image Quality Assessment in Low-Resource Settings [3.982826074217475]
  FetalCLIPは、210,000以上の胎児超音波画像言語対のキュレートデータセットに事前訓練されたビジョンキャプションモデルである。 本稿では、LoRA(Lo-Rank Adaptation)を用いてFetalCLIPから適応したIQAモデルを導入し、ACOUS-AIデータセット上で評価する。 適応セグメンテーションモデルでは,分類に再利用することで,F1スコアの0.771を達成し,さらなる性能向上が期待できる。
  論文  参考訳（メタデータ） (2025-07-30T16:09:29Z)
• FetalFlex: Anatomy-Guided Diffusion Model for Flexible Control on Fetal Ultrasound Image Synthesis [16.640351512021017]
  これらの課題に対処するために、Flexible Fetal USイメージ生成フレームワーク(FetalFlex)を紹介します。 FetalFlexには、制御性を高めるための事前調整モジュールが組み込まれており、一貫したテクスチャと外観を保証するための再塗装戦略が導入されている。 マルチセンターデータセットの実験では、FetalFlexが複数の画像品質メトリクスで最先端のパフォーマンスを達成したことが示されている。
  論文  参考訳（メタデータ） (2025-03-19T05:16:19Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)

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。