Fugu-MT 論文翻訳(概要): FetSelect: Task-Specific Architectures and Self-Supervised Learning for Automated Fetal Ultrasound Frame Selection

論文の概要: FetSelect: Task-Specific Architectures and Self-Supervised Learning for Automated Fetal Ultrasound Frame Selection

arxiv url: http://arxiv.org/abs/2606.22487v1
Date: Sun, 21 Jun 2026 13:14:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 17:57:45.168159
Title: FetSelect: Task-Specific Architectures and Self-Supervised Learning for Automated Fetal Ultrasound Frame Selection
Title（参考訳）: FetSelect:自動胎児超音波フレーム選択のためのタスク特化アーキテクチャと自己教師付き学習
Authors: Mahmood Alzubaidi, Raden Muaz, Uzair Shah, Mohammed Ammar, Khalid Alyafei, Mowafa Househ, Marco Agus,
Abstract要約: FetSelectは、凍結した視覚基盤のバックボーンとハイブリッドなマルチヘッド設計を組み合わせたタスク固有のフレームワークである。我々はクラウンランプ長(CRL)、ヌカルトランスラクシー(NT)、鼻骨(NB)、スケールバーの4つの目標に対して、6,486個の専門家ラベル付きフレームをキュレートした。ホールドアウトテストセット(974フレーム)では、FetSelect 平均 AUROC 0.956 と、専門家の品質アノテーションとの平均相関 0.818 が得られた。
参考スコア（独自算出の注目度）: 6.589509651800566
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Automated frame selection for fetal biometry remains under addressed, with most prior work targeting generic quality assessment or downstream measurement pipelines that assume suitable frames are available. We introduce FetSelect, a task-specific framework that pairs a frozen vision foundation backbone with a hybrid multi-head design: a Task-Gated classification head and a Detection-derived quality head combined via learned fusion. We curate 6,486 expert-labeled frames across four targets: Crown-Rump Length (CRL), Nuchal Translucency (NT), Nasal Bone (NB), and Scalebar, and adapt the backbone with BYOL pretraining on 19,019 unlabeled images. On a held-out test set (974 frames), FetSelect achieves mean AUROC 0.956 and mean correlation 0.818 with expert quality annotations. Ablations confirm that hybrid fusion surpasses single-head variants, and ultrasound-specific self-supervision yields consistent gains. Evaluation on external clinical videos and 509 external CRL images demonstrates task-specific discrimination.
Abstract（参考訳）: 胎児バイオメトリのための自動フレーム選択は未解決のままであり、一般的な品質評価や、適切なフレームを想定した下流測定パイプラインを対象とする作業がほとんどである。 FetSelectは、凍結した視覚基盤のバックボーンとハイブリッドなマルチヘッド設計を組み合わせたタスク固有のフレームワークである。我々は、クラウンランプ長(CRL)、ヌーカル透明度(NT)、鼻骨(NB)、スケールバーの4つの目標に対して、6,486個の専門家ラベル付きフレームをキュレートし、19,019枚の未ラベル画像にBYOLを事前トレーニングすることで背骨を適応させる。ホールドアウトテストセット(974フレーム)では、FetSelectはAUROC 0.956の平均値とエキスパートの品質アノテーションとの平均相関値0.818を達成する。アブレーションにより、ハイブリッド核融合は単頭型を超えることが確認され、超音波特異的な自己超越が一貫した利得をもたらす。外部臨床ビデオと509個の外部CRL画像による評価は、タスク固有の識別を示す。

関連論文リスト

Visual Aesthetic Benchmark: Can Frontier Models Judge Beauty? [59.923111838399144]
本稿では,視覚的審美性ベンチマーク (VAB) を提案する。 VABには400のタスクと1,195のイメージが芸術、写真、イラストに含まれており、ラベルはタスクごとに10人の独立した専門家審査員のコンセンサスから導かれる。最強のシステムは、人間の専門家が達成した68.9%よりもはるかに低い26.5%のタスクで、候補順の3つのランダムな順で、最良の画像と最悪の画像の両方を正しく識別する。
論文参考訳（メタデータ） (2026-05-12T19:33:28Z)
Knee-xRAI: An Explainable AI Framework for Automatic Kellgren-Lawrence Grading of Knee Osteoarthritis [0.4618037115403289]
Knee-xRAIは変形性膝関節症(KOA)の3つの基本的なX線学的特徴を定量化するモジュラーフレームワークである。 Knee-xRAIは、単一の監査可能なパイプライン内で3つのKL定義のラジオグラフィ機能をすべて明示的に定量化する。
論文参考訳（メタデータ） (2026-04-25T20:34:09Z)
Opportunistic Bone-Loss Screening from Routine Knee Radiographs Using a Multi-Task Deep Learning Framework with Sensitivity-Constrained Threshold Optimization [9.995968038491128]
変形性骨折を発症するまで、骨粗しょう症や骨減少症は診断されないことが多い。変形性膝関節症評価のために, 膝X線撮影を行った。単一チャネルグレースケール膝X線撮影のためのマルチタスクフレームワークSTR-Netを開発した。
論文参考訳（メタデータ） (2026-04-22T07:12:04Z)
A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection [0.2958068627971103]
PAM50遺伝子シグネチャは、乳がんを固有のサブタイプに分類する標準として広く認識されている。本研究では,コストのかかる分子アッセイへの依存を減らすことを目的とした,新しい最適化駆動型ディープラーニングフレームワークを提案する。提案手法は,非支配的ソート遺伝的アルゴリズムII(NSGA-II)とモンテカルロのドロップアウトに基づく不確実性推定を組み合わせ,パッチ情報量,空間的多様性,不確実性,パッチ数などを共同で最適化する。
論文参考訳（メタデータ） (2026-04-02T09:13:24Z)
Retrieving Patient-Specific Radiomic Feature Sets for Transparent Knee MRI Assessment [42.97456036889799]
古典的な放射能の特徴は、画像の外観と強度パターンを定量化するように設計されている。近年の適応放射能の研究では、DLを用いて放射能プール上の特徴量を予測する。本稿では,患者ごとにひとつのコンパクトな特徴セットを予測できる,患者固有の特徴セット選択フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-02T20:12:41Z)
Which Sparse Autoencoder Features Are Real? Model-X Knockoffs for False Discovery Rate Control [0.0]
我々は, 偽発見率(FDR)を制御するために, knock-off+ を用いて, SAE特徴選択に Model-X ノックオフを導入する。提案手法は,SAEと多重テスト認識推論を組み合わせることで,信頼性の高い特徴発見を実現するための,再現可能で原則化されたフレームワークを提供する。
論文参考訳（メタデータ） (2025-11-12T17:12:45Z)
Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2023-12-11T06:50:27Z)
Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文参考訳（メタデータ） (2020-12-23T14:38:35Z)
FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文参考訳（メタデータ） (2020-10-30T03:17:31Z)
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)

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。