論文の概要: Prototype Memory-Guided Training-Free Anomaly Classification and Localization in Prenatal Ultrasound

• arxiv url: http://arxiv.org/abs/2607.00744v1
• Date: Wed, 01 Jul 2026 10:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.851218
• Title: Prototype Memory-Guided Training-Free Anomaly Classification and Localization in Prenatal Ultrasound
• Title（参考訳）: 出生前超音波の原型記憶誘導型無訓練異常分類と局所化
• Abstract要約: 出生前アメリカの異常分類と局所化のためのトレーニングフリーフレームワークを提案する。 本フレームワークは,(1) クラスレベルのセマンティクスと異常特性の両方を明示的にモデル化したメモリバンク,(2) 識別特徴を集約して異常領域を検出するプロトタイプ駆動型ソフトマージ機構,(3) プロトタイプの整合性を活用してカテゴリ予測を改善するクラス認識改善戦略の3つの主要な構成要素から構成される。
• 参考スコア（独自算出の注目度）: 14.276986401813682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prenatal anomaly classification and localization is of critical importance for fetal health and pregnancy management. Although ultrasound (US) is the primary modality for prenatal screening, accurate diagnosis remains challenging due to the low prevalence and high heterogeneity of anomalies. Existing deep learning methods for prenatal tasks rely on large-scale annotated datasets, which are difficult to obtain in practice. Although few-shot learning alleviates data scarcity, it typically requires fine-tuning for new categories, limiting its practicality in resource-limited clinical settings. To address these challenges, we propose a training-free framework for multi-class prenatal US anomaly classification and localization that operates with only a few reference images per class, representing the first exploration of this setting. Our framework comprises three key components: (1) a memory bank with multi-granular prototypes that explicitly models both class-level semantics and anomaly characteristics; (2) a prototype-driven soft merging mechanism that aggregates discriminative features to detect the anomaly region; and (3) a class-aware refinement strategy that leverages prototype consistency to improve category prediction. Extensively validated on a multi-center prenatal US dataset containing 1,149 cases, with a total of 2,357 images and 9 categories, our proposed method outperforms the competitors.
• Abstract（参考訳）: 出生前異常分類と局所化は胎児の健康と妊娠管理において重要である。 超音波(US)が出生前スクリーニングの主訴であるが,異常の頻度が低く異質性が高いため,正確な診断は依然として困難である。 出生前タスクのための既存のディープラーニング手法は、実際には入手が難しい大規模な注釈付きデータセットに依存している。 殆どのショットラーニングはデータの不足を軽減するが、典型的には新しいカテゴリの微調整を必要とし、リソース制限された臨床環境での実用性を制限する。 これらの課題に対処するため,米国におけるマルチクラスの出生前異常分類とローカライゼーションのためのトレーニングフリーフレームワークを提案する。 本フレームワークは,(1) クラスレベルのセマンティクスと異常特性の両方を明示的にモデル化したメモリバンク,(2) 識別特徴を集約して異常領域を検出するプロトタイプ駆動型ソフトマージ機構,(3) プロトタイプの整合性を活用してカテゴリ予測を改善するクラス認識改善戦略の3つの主要な構成要素から構成される。 1,149件の米国出生前データセットに2,357件の画像と9つのカテゴリを総合的に検証した結果,提案手法は競合相手よりも優れていた。

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)
• DinoAtten3D: Slice-Level Attention Aggregation of DinoV2 for 3D Brain MRI Anomaly Classification [2.731729370870452]
  医用画像の異常検出と分類は早期診断には重要であるが, 注釈付きデータ, クラス不均衡, 専門家によるラベル付けのコストが高いため, 依然として困難である。 本稿では,3次元画像異常分類に特化して,注目に基づくグローバルアグリゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-15T23:31:40Z)
• Medical-Knowledge Driven Multiple Instance Learning for Classifying Severe Abdominal Anomalies on Prenatal Ultrasound [28.27148137256845]
  出生前超音波における胎児腹部異常の分類のためのケースレベル多重学習法(MIL)を開発した。 まず、様々な航空機の異なる注意ヘッドを重み付けするために、MOAE(mixed-of-attention-experts Module)を採用する。 第2に,画像特徴と医用知識を整合させる医用知識駆動型特徴選択モジュール(MFS)を提案する。
  論文  参考訳（メタデータ） (2025-07-02T06:31:26Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• From Uncertainty to Clarity: Uncertainty-Guided Class-Incremental Learning for Limited Biomedical Samples via Semantic Expansion [0.0]
  バイオメディカル分野における限られたサンプルの下でのクラスインクリメンタル学習手法を提案する。 提案手法は,最先端の手法を最大53.54%の精度で上回り,最適性能を実現する。
  論文  参考訳（メタデータ） (2024-09-12T05:22:45Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Statistical Dependency Guided Contrastive Learning for Multiple Labeling in Prenatal Ultrasound [56.631021151764955]
  標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。 我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
  論文  参考訳（メタデータ） (2021-08-11T06:39:26Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。