論文の概要: Foundation Model-driven Key Anatomy Frame Selection for Blind-sweep Ultrasound Fetal Birth Weight Estimation
- arxiv url: http://arxiv.org/abs/2607.00745v1
- Date: Wed, 01 Jul 2026 10:27:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.852005
- Title: Foundation Model-driven Key Anatomy Frame Selection for Blind-sweep Ultrasound Fetal Birth Weight Estimation
- Title（参考訳）: Blind-Sweep Ultrasound Fetal Birth Weight Estimationのための基礎モデル駆動型キー解剖フレーム選択
- Abstract要約: 産後48時間以内に取得したブラインド・スウィープ超音波(US)ビデオの近時出生体重回帰について検討した。
これは、ブラインドスイープなアメリカのビデオを使って胎児の体重を推定する最初の試みであり、オペレーターに依存しない評価を可能にしたと我々は信じている。
提案手法は161.3gのMAEを達成し,90.23%,100%のケースが10%,15%の絶対パーセンテージエラーに陥り,典型的なハドロック推定や強力な競合よりも優れていた。
- 参考スコア（独自算出の注目度）: 8.911339954607168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate fetal birth weight (FBW) estimation shortly before delivery is clinically valuable yet challenging due to its reliance on operator expertise, particularly in low-resource settings. To reduce this reliance, we study near-term birth-weight regression from blind-sweep ultrasound (US) videos acquired within 48 hours prior to delivery, with post-delivery weighing as ground truth. Accordingly, we propose a foundation model-driven key anatomy frame selection framework that enables accurate FBW regression despite the absence of plane constraints in blind sweeps. Our highlights are as follows: (1) We believe this is the first work to estimate FBW using blind-sweep US videos, enabling operator-independent assessment. (2) An Anatomy-Guided Frame Selection module equipped with a vision-language foundation model is proposed for keyframe collection in unconstrained sweeps. (3) A Redundancy-Aware Feature Compression module is designed to compress frame features while preserving task-relevant information, alleviating temporal redundancy. Extensively validated on prospectively collected data from 839 patients, our method achieves an MAE of 161.3 g, with 90.23% and 100% of cases falling within 10% and 15% absolute percentage error, outperforming typical Hadlock estimation and strong competitors. Codes are available at https://github.com/ouleoule/BlindSweep-EBW.
- Abstract（参考訳）: 出産直前の正確な胎児出生体重推定(FBW)は、特に低リソース環境では、オペレーターの専門知識に依存しているため、臨床的に価値はあるが困難である。
この依存度を低減するため,48時間以内に得られたブラインド・スウィープ超音波(US)ビデオの短期出生体重の回帰を,配達後重みを根拠として検討した。
そこで我々は, ブラインドスイープにおける平面制約が存在しないにもかかわらず, 正確なFBW回帰を可能にする基礎モデル駆動型鍵解剖フレーム選択フレームワークを提案する。
1) ブラインドスイープUSビデオを用いてFBWを推定し、演算子に依存しない評価を可能にする最初の試みである。
2)非拘束スイープにおけるキーフレーム収集のために,視覚言語基盤モデルを備えた解剖誘導フレーム選択モジュールを提案する。
(3) 冗長性を考慮した特徴圧縮モジュールは,時間的冗長性を緩和し,タスク関連情報を保存しながらフレームの特徴を圧縮するように設計されている。
839名の患者から収集したデータを総合的に検証し,90.23%,100%の症例が10%,15%の絶対値誤差に陥り,典型的なハドロック推定や強力な競合相手よりも優れていた161.3gのMAEを達成した。
コードはhttps://github.com/ouleoule/BlindSweep-EBWで公開されている。
関連論文リスト
- Adapting Foundation Models for Annotation-Efficient Adnexal Mass Segmentation in Cine Images [4.42778347374376]
超音波による近接性質量評価は、主観的解釈と重要なサーバ間変動によって妨げられることが多い、困難な臨床課題である。
本稿では,事前訓練されたDINOv3基盤視変換器バックボーンのロバストなセマンティクスを活かしたラベル効率のセグメンテーションフレームワークを提案する。
提案手法は,U-Net,U-Net++,DeepLabV3,MAnetなどの完全教師付きベースラインと比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2026-04-09T09:48:50Z) - Automated Classification of First-Trimester Fetal Heart Views Using Ultrasound-Specific Self-Supervised Learning [0.205246094017924]
本研究は,第1トリメスター胎児心電図分類のための自己監督型超音波基礎モデルUSF-MAEの評価である。
USF-MAEは、370,000枚以上の未標識超音波画像のマスク付き自己符号化モデルを用いて事前訓練される。
全評価指標で最高性能を達成し、90.57%の精度、91.15%の精度、90.57%のリコール、90.71%のF1スコアを記録した。
論文 参考訳（メタデータ） (2025-12-30T22:24:26Z) - MvBody: Multi-View-Based Hybrid Transformer Using Optical 3D Body Scan for Explainable Cesarean Section Prediction [12.529565733654783]
本稿では, 自己報告医療データと3次元光学体スキャンのみを用いて, 帝王切開リスクを予測するマルチビュートランスフォーマーネットワークMvBodyを提案する。
機械学習モデルや最新の高度な3D解析手法と比較して,本手法は優れた性能を示す。
以上の結果から, 妊娠前体重, 母性年齢, 産科歴, 以前のCS歴, 体型, 特に頭と肩の周囲では, CSリスク予測の鍵となることが示唆された。
論文 参考訳（メタデータ） (2025-11-05T06:02:48Z) - 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) - EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。
ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。
医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
論文 参考訳（メタデータ） (2025-09-24T14:09:55Z) - VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks [49.0793012627959]
本稿では,価値に基づくパラダイム内での推論モデルに適した新しいフレームワークVAPOを提案する。
VAPOは最先端のスコアが$mathbf60.4$に達する。
同じ実験条件下で直接比較すると、VAPOはDeepSeek-R1-Zero-Qwen-32BとDAPOの結果を10点以上上回っている。
論文 参考訳（メタデータ） (2025-04-07T14:21:11Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Automated interpretation of congenital heart disease from multi-view
echocardiograms [10.238433789459624]
先天性心疾患(CHD)は、中国で最も多い出生障害であり、新生児死亡の原因となっている。
本研究では,多視点心エコー図を実用的エンドツーエンドのフレームワークで自動解析する手法を提案する。
論文 参考訳（メタデータ） (2023-11-30T18:37:21Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - 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) - CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in
MPR Images [0.0]
MPR画像における狭窄の重症度を同定する自動モデルを開発した。
このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。
狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
論文 参考訳（メタデータ） (2020-01-23T15:20:22Z)
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。