論文の概要: AnomExpert: Identifying and Selecting Anatomical Planes for Prenatal Ultrasound Anomaly Diagnosis
- arxiv url: http://arxiv.org/abs/2607.13409v1
- Date: Wed, 15 Jul 2026 03:18:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.62976
- Title: AnomExpert: Identifying and Selecting Anatomical Planes for Prenatal Ultrasound Anomaly Diagnosis
- Title（参考訳）: AnomExpert:出生前超音波異常診断のための解剖学的面の同定と選択
- Authors: Jian Wang, Yang Yang, Ziheng Pan, Xiliang Zhu, Yuhan Zhang, Yanfeng Zhou, Dong Ni,
- Abstract要約: 症例レベルの監視のみを用いた出生前US異常診断のためのプロトタイプ駆動フレームワークを提案する。
AnomExpertは学習可能な平面プロトタイプを導入し、非順序の画像を解剖学的平面に対応する潜在表現に整理する。
3,654件のマルチセンターデータセットの実験により、AnomExpertは9つの代表的なマルチインスタンス学習手法を一貫して上回っていることが示された。
- 参考スコア（独自算出の注目度）: 19.669688255985857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Life-limiting congenital anomalies require accurate prenatal diagnosis for appropriate clinical decision-making. Prenatal ultrasound (US) examinations involve multiple anatomical planes, and diagnosis depends on identifying anatomical planes and selecting diagnostically relevant planes for each anomaly. Existing automated methods either rely on plane-level annotations or aggregate heterogeneous images without explicitly modeling these diagnostic capabilities. We propose AnomExpert, a prototype-driven framework for prenatal US anomaly diagnosis using only case-level supervision. AnomExpert introduces learnable plane prototypes to organize unordered images into latent representations corresponding to anatomical planes without requiring plane annotations. A disease-aware sparse selection mechanism further selects diagnostically relevant planes for each anomaly. Experiments on a multi-center dataset of 3,654 cases show that AnomExpert consistently outperforms nine representative multi-instance learning methods. Using a ViT-small backbone, it achieves 86.9% accuracy and 84.2% F1-score while maintaining parameter efficiency. These findings indicate that modeling anatomical plane identification and disease-specific plane selection improves weakly supervised multi-plane prenatal US anomaly classification. The code is available at https://github.com/TIanCat/AnomExpert.
- Abstract（参考訳）: 生命を制限する先天性奇形は、適切な臨床的意思決定のために正確な出生前診断を必要とする。
出生前超音波検査は、複数の解剖学的平面を含むが、診断は、解剖学的平面の同定と、各異常について診断学的に関連する平面の選択に依存する。
既存の自動手法は、これらの診断機能を明示的にモデル化することなく、平面レベルのアノテーションや異種画像の集約に依存している。
症例レベルの監視のみを用いた出生前アメリカの異常診断のためのプロトタイプ駆動フレームワークであるAnomExpertを提案する。
AnomExpertは、学習可能なプレーンプロトタイプを導入し、非順序の画像をプレーンアノテーションを必要とせずに、解剖学的プレーンに対応する潜在表現に整理する。
疾患対応スパース選択機構は、各異常の診断に関連のある平面を更に選択する。
3,654件のマルチセンターデータセットの実験により、AnomExpertは9つの代表的なマルチインスタンス学習手法を一貫して上回っていることが示された。
ViTサイズのバックボーンを使用して、パラメータ効率を維持しながら86.9%の精度と84.2%のF1スコアを達成する。
これらの結果から, 解剖学的平面同定と病原性平面選択のモデル化は, 乳児前米異常分類の弱制御を改善することが示唆された。
コードはhttps://github.com/TIanCat/AnomExpert.comで入手できる。
関連論文リスト
- BenchX: Benchmarking AI Models for Cancer Detection and Localization with Demographic and Protocol Biases [59.19934491064188]
人工知能(AI)は医療画像において顕著な成功を収めた。
これらのモデルは、実世界の臨床環境において矛盾なく機能することが多い。
我々は,12種類の腫瘍検出AIモデルを体系的に評価する85,355個のCTスキャンのベンチマークを開発した。
論文 参考訳（メタデータ） (2026-06-23T17:58:59Z) - DeepBD: A Grounded Agentic Workflow for Variant Prioritization and Diagnosis of Genetic Birth Defects [25.20927076451592]
DeepBDは遺伝的欠陥の変異優先順位付けと診断のための接地されたエージェントワークフローである。
DeepBDは18,622例からなる胎児と幼児のコホートを用いて開発され、内部のホールドアウト解決ケースベンチマークで0.658/0.882/0.912/0.929のRecall@2/3/5/10を達成した。
論文 参考訳（メタデータ） (2026-06-23T16:37:48Z) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - 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) - Uncertainty-aware Diffusion and Reinforcement Learning for Joint Plane Localization and Anomaly Diagnosis in 3D Ultrasound [10.077773137636276]
先天性子宮奇形(CUA)は不妊、流産、妊娠前出生、妊娠合併症のリスクの増加につながる。
本稿では,自動航空機位置推定とCUA診断を同時に行うインテリジェントシステムを提案する。
論文 参考訳（メタデータ） (2025-06-30T06:07:41Z) - Measuring proximity to standard planes during fetal brain ultrasound scanning [8.328549443700858]
本稿では,超音波(US)平面を臨床利用に近づけるための新しいパイプラインを提案する。
ラベル付きSPとラベルなしUSボリュームスライスの両方を利用した半教師付きセグメンテーションモデルを提案する。
本モデルでは, 胎児の脳画像に対して, 信頼性の高いセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-04-10T16:04:21Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳（メタデータ） (2022-03-12T15:24:03Z) - 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。