論文の概要: MVSegNet: A Lightweight Boundary-Aware Network for Fetal Lateral Ventricle Segmentation and Atrial Width Estimation in Prenatal Ultrasound

• arxiv url: http://arxiv.org/abs/2606.06958v1
• Date: Fri, 05 Jun 2026 06:37:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.597318
• Title: MVSegNet: A Lightweight Boundary-Aware Network for Fetal Lateral Ventricle Segmentation and Atrial Width Estimation in Prenatal Ultrasound
• Title（参考訳）: MVSegNet:出生前超音波における胎児側室分節と心房幅推定のための軽量境界認識ネットワーク
• Authors: Arafat Hossain Sayem,
• Abstract要約: 出生前超音波検査では, 側心室の心房幅を計測し, 胎児の腹腔鏡下検査を行った。 マルチスケール特徴抽出とバウンダリ・アウェア・リファインメントを組み合わせた軽量エンコーダ・デコーダネットワークであるMVSegNetを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fetal ventriculomegaly is assessed by measuring the atrial width of the lateral ventricle in prenatal ultrasound. Accurate segmentation is essential for this measurement, but acoustic shadowing, speckle noise, and poor contrast make it difficult. We developed MVSegNet, a lightweight encoder-decoder network combining multi-scale feature extraction and boundary-aware refinement. The model was trained and evaluated on 584 expert-annotated transventricular ultrasound frames using a 70/15/15 split. Performance was compared against six segmentation baselines using overlap, boundary, and measurement metrics. MVSegNet achieved a Dice score of 80.79%, IoU of 68.47%, Hausdorff distance of 4.07 mm, and atrial width mean absolute error of 3.40 mm. The model contains 2.31 million parameters and runs at 165.6 frames per second on an NVIDIA T4 GPU. MVSegNet outperformed all evaluated baselines on boundary and measurement metrics while maintaining low computational cost, supporting its use in automated fetal ultrasound analysis.
• Abstract（参考訳）: 出生前超音波検査では, 側心室の心房幅を計測し, 胎児の腹腔鏡下検査を行った。 この測定には正確なセグメンテーションが不可欠であるが、音響シャドーイング、スペックルノイズ、コントラストの低さが困難である。 マルチスケール特徴抽出とバウンダリ・アウェア・リファインメントを組み合わせた軽量エンコーダ・デコーダネットワークであるMVSegNetを開発した。 このモデルは,70/15/15スプリットを用いた584名の専門医用心室式超音波フレームを用いて訓練および評価を行った。 オーバーラップ、バウンダリ、測定値を用いて6つのセグメンテーションベースラインのパフォーマンスを比較した。 MVSegNetのDiceスコアは80.79%、IoUは68.47%、ハウスドルフ距離は4.07mm、心房幅は3.40mmである。 このモデルは231万のパラメータを含み、NVIDIA T4 GPU上で毎秒165.6フレームで動作する。 MVSegNetは、低い計算コストを維持しながら境界値と測定値の基準線を全て上回り、自動胎児超音波解析での使用をサポートする。

関連論文リスト

• A Novel Deep Learning Method for Segmenting the Left Ventricle in Cardiac Cine MRI [0.9749560288448113]
  GBU-Netは、シネMRIにおける左室分画の精度を大幅に改善する。 GBU-Netのアンサンブルは、SunnyBrookデータセットで97%のダイススコアを獲得している。
  論文  参考訳（メタデータ） (2026-01-04T12:43:46Z)
• Deep Learning Analysis of Prenatal Ultrasound for Identification of Ventriculomegaly [0.17476892297485447]
  心膜腫は胎児の脳室拡張を特徴とする出生前状態である。 提案モデルでは,OpenUS-46コーパスから370,000枚以上の超音波画像に予めトレーニングしたビジョントランスフォーマーエンコーダを組み込んだ。 モデルは5倍のクロスバリデーションで91.76%、独立したテストセットで91.78%のF1スコアに達した。
  論文  参考訳（メタデータ） (2025-11-11T04:45:48Z)
• Lightweight image segmentation for echocardiography [0.45360533198417524]
  我々は,CAMUS上のnnU-Netと統計的に等価な性能を実現する軽量なU-Netを開発した。 解析の結果,単純なアフィン増倍と深い監視駆動性能,複雑な増倍とモデルキャパシティはリターンを低下させることがわかった。
  論文  参考訳（メタデータ） (2025-09-03T18:33:28Z)
• TRUSTED: The Paired 3D Transabdominal Ultrasound and CT Human Data for Kidney Segmentation and Registration Research [42.90853857929316]
  腹部超音波(US)データを用いたIMIR(Inter-modal Image registration)と画像分割は,多くの重要な臨床応用例である。 ヒト48例の経腹部3DUSとCT腎像を組み合わせたTRUSTED(Tridimensional Ultra Sound TomodEnsitometrie dataset)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T11:09:50Z)
• Optimal baseline exploitation in vertical dark-matter detectors based on atom interferometry [50.06952271801328]
  長基線原子干渉計に基づく重力波やダークマターの地上検出器は、現在、最終計画段階にあるか、既に建設中である。 マルチダイアモンド噴水グレーディメータを用いた共振モード検出器は,その高さが利用可能なベースラインの20%を占める場合,最適なショットノイズ制限を達成できることを示す。
  論文  参考訳（メタデータ） (2023-09-08T08:38:24Z)
• A Deep Learning-Based Fully Automated Pipeline for Regurgitant Mitral Valve Anatomy Analysis From 3D Echocardiography [0.3387808070669509]
  開発したアプローチは、MVアンラスとリーフレットのマルチクラスセグメンテーションのためのU-Netアーキテクチャを備えた3次元マルチデコーダ残差畳み込みニューラルネットワーク(CNN)に依存している。 プロセス全体は最小限のユーザインタラクションを必要とし、約15秒を要する。
  論文  参考訳（メタデータ） (2023-02-21T12:48:44Z)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• 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)

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。