論文の概要: NeoLoc-68: End-to-end 68-point neonatal facial landmark localisation in neonatal clinical environments
- arxiv url: http://arxiv.org/abs/2606.20823v1
- Date: Thu, 18 Jun 2026 18:08:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 12:44:32.199249
- Title: NeoLoc-68: End-to-end 68-point neonatal facial landmark localisation in neonatal clinical environments
- Title（参考訳）: NeoLoc-68: 終末68点の新生児期臨床環境における顔のランドマークの局在
- Authors: Abdullah Bin-Obaid, Maria M. Cobo, Rebeccah Slater, Lionel Tarassenko, Mauricio Villarroel,
- Abstract要約: 臨床環境下での新生児の顔のランドマークを68個予測できるエンドツーエンドの顔ランドマーク検出器を提案する。
11の公開データセットからの37,459のシングルフェイスイメージを68ポイントのマークアップに標準化し、新生児研究データセットから手動で1,123フレームをアノテートした。
YOLOベースのキーポイントモデルは、トレーニング済みの新生児顔検出装置の重量で初期化され、顔のランドマークを回復するために適応された。
- 参考スコア（独自算出の注目度）: 1.5484719004172118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Facial landmark localisation is a prerequisite for developing automated, non-contact neonatal pain assessment methods. Clinicians use pain scales to judge the severity of pain, many of which rely on facial expression. However, facial landmark detectors trained on adult faces perform poorly in neonatal clinical environments due to frequent occlusions caused by medical equipment, varied head poses, and challenging imaging conditions, including motion blur triggered by sudden pain-related movements. We propose an end-to-end facial landmark detector capable of predicting 68 landmarks on neonatal faces in clinical environments. We combined 37,459 single-face images from 11 public datasets, standardised to 68-point markup, with 1,123 manually annotated frames from a neonatal research dataset (totalling over 76,000 landmarks). A YOLO-based keypoint model was adapted to regress the facial landmarks, initialised with weights from a pretrained neonatal face detector. On public datasets, our proposed model achieved state-of-the-art performance: Normalised Mean Error (NME) = 5.37, Failure Rate (FR) = 12.5%, Area Under the Cumulative Error Curve (AUC) at AUC0.08 = 38.00% and AUC0.1 = 48.70%. On the clinical neonatal test set, before fine-tuning, the model achieved the lowest Detection Failure Rate (DFR) = 5.3% among all baselines and showed strong generalisation. After fine-tuning, performance improved further to NME = 6.36, FR = 22.30%, DFR = 1.77%, AUC0.08 = 29.24% and AUC0.1 = 40.25%. To the best of our knowledge, this represents the first end-to-end 68-point neonatal facial landmark detection model. With further dataset expansion and refinement, it could support downstream tasks in neonatal health monitoring and pain-related facial analysis.
- Abstract（参考訳）: 顔のランドマークの局所化は、自動化された非接触新生児の痛み評価方法を開発するための前提条件である。
臨床医は痛み尺度を使って痛みの重症度を判断するが、その多くが表情に依存している。
しかし、成人の顔に訓練された顔のランドマーク検出装置は、医療機器による頻繁な閉塞、頭部のポーズの変化、突然の痛みに関連する動きによって引き起こされる動きのぼやけを含む困難な画像条件により、新生児臨床環境では不十分に機能する。
臨床環境下での新生児の顔のランドマークを68個予測できるエンドツーエンドの顔ランドマーク検出器を提案する。
11の公開データセットから37,459のシングルフェイスイメージを、68ポイントのマークアップに標準化し、新生児研究データセットから手動で1,123フレーム(ランドマーク76,000以上)を合成しました。
YOLOベースのキーポイントモデルは、予め訓練された新生児顔検出装置の重量で初期化され、顔のランドマークを補強するために適合した。
正規化平均誤差 (NME) = 5.37, 失敗率 (FR) = 12.5%, 累積誤差曲線 (AUC) at AUC0.08 = 38.00%, AUC0.1 = 48.70%。
臨床新生児検診では, 微調整前では全基準値の5.3%の低検出率(DFR)を達成し, 高い一般化を示した。
微調整後、性能はNME = 6.36、FR = 22.30%、DFR = 1.77%、AUC0.08 = 29.24%、AUC0.1 = 40.25%に向上した。
我々の知る限りでは、これが68ポイントの新生児の顔のランドマーク検出モデルとして初のエンド・ツー・エンドである。
さらなるデータセットの拡大と改善により、新生児の健康モニタリングと痛みに関連する顔分析における下流タスクをサポートすることができる。
関連論文リスト
- InfantFace: Detecting infant faces in neonatal clinical environments [1.5484719004172118]
新生児臨床環境における幼児の顔検出に適した一段階型YOLOv11mモデルを提案する。
複数の公開データセット(VGGFace2、CelebA、FDDB、WIDER FACE)を組み合わせて、提案モデルのトレーニングと評価を行った。
我々のモデルはAP50の0.87を達成し、3つの最先端の汎用顔検出器の性能を上回った。
論文 参考訳（メタデータ） (2026-06-18T16:28:00Z) - A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。
臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
論文 参考訳（メタデータ） (2026-05-06T07:44:39Z) - Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。
7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。
HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
論文 参考訳（メタデータ） (2026-04-30T14:10:30Z) - Beyond Benchmarks of IUGC: Rethinking Requirements of Deep Learning Methods for Intrapartum Ultrasound Biometry from Fetal Ultrasound Videos [58.71502465551297]
MICCAI 2024と共同でIUGC(Intrapartum Ultrasound Grand Challenge)が打ち上げられた。
IUGCは、標準的な平面分類、胎児の頭頂部生理的セグメンテーション、バイオメトリーを統合した、臨床指向のマルチタスク自動測定フレームワークを導入している。
この課題は、これまでに3つの病院から収集された774のビデオ(68,106フレーム)を含む、最大規模のマルチセンターの超音波ビデオデータセットをリリースしている。
論文 参考訳（メタデータ） (2026-02-13T13:28:22Z) - 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) - Evaluating Deep Learning-Based Face Recognition for Infants and Toddlers: Impact of Age Across Developmental Stages [0.688204255655161]
幼児と幼児の顔認識は、迅速な顔形態変化、クラス間の類似度の高さ、データセットの可用性の制限など、ユニークな課題を呈している。
本研究は,0～3歳児を対象とする7つのセッションにおいて,24カ月間にわたって収集した,深層学習に基づく顔認識モデルFaceNet,ArcFace,MagFace,CosFaceの性能評価を行った。
論文 参考訳（メタデータ） (2026-01-04T22:30:28Z) - Time-to-Event Pretraining for 3D Medical Imaging [44.46415168541444]
本稿では,3次元医用画像モデルのための事前トレーニングフレームワークである,時間とイベントの事前トレーニングを紹介する。
我々は18,945個のCTスキャン(420万枚の2D画像)のデータセットと、何千ものEHR由来のタスクにまたがる時間-時間分布を用いています。
提案手法は,AUROCの平均値が23.7%,HarrellのC-インデックスが29.4%向上し,結果予測が向上する。
論文 参考訳（メタデータ） (2024-11-14T11:08:54Z) - Neonatal Face and Facial Landmark Detection from Video Recordings [2.6091909702028584]
新生児の顔と顔のランドマークの自動検出について検討する。
これは、バイタルサイン推定、痛み評価、睡眠覚醒分類、黄斑検出など、多くのビデオベースの新生児健康アプリケーションにおいて重要な第一歩である。
論文 参考訳（メタデータ） (2023-02-08T21:18:18Z) - Towards early prediction of neurodevelopmental disorders: Computational
model for Face Touch and Self-adaptors in Infants [0.0]
乳児の運動を評価することは、発達障害の発症リスクを理解する鍵となる。
心理学における以前の研究は、赤ちゃんの顔の触覚などの特定の動きやジェスチャーを測定することは、赤ちゃんが自分自身とその文脈をどのように理解しているかを分析するのに不可欠であることを示した。
本研究は,乳幼児の動作やジェスチャーを追跡することによって,映像記録から顔の触覚を検出する,最初の自動アプローチを提案する。
論文 参考訳（メタデータ） (2023-01-07T18:08:43Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳（メタデータ） (2022-04-07T22:14:37Z) - Robust Neonatal Face Detection in Real-world Clinical Settings [4.263900348596098]
現在の顔検出アルゴリズムは極めて一般化されており、成人の顔を検出する際に適切な精度を得ることができる。
臨床環境でラベル付き新生児顔を含むプロプライエタリなデータセット上で、最先端の顔検出モデルYou-Only-Look-Onceをトレーニングすることにより、ほぼリアルタイムな新生児顔検出を実現する。
予備的な所見は68.7%の精度を示し、外殻溶液は7.37%の精度で新生児の顔を検出した。
論文 参考訳（メタデータ） (2022-04-01T18:50:47Z)
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。