論文の概要: Towards Reliable and Reproducible Fetal Brain Biometry: A Deep Learning Approach Using MRI

• arxiv url: http://arxiv.org/abs/2608.03724v1
• Date: Tue, 04 Aug 2026 14:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.238828
• Title: Towards Reliable and Reproducible Fetal Brain Biometry: A Deep Learning Approach Using MRI
• Title（参考訳）: 信頼性・再現性のある胎児脳バイオメトリーを目指して:MRIを用いた深層学習アプローチ
• Abstract要約: 3次元超解像再構成胎児脳MRIによる信頼性・再現性脳バイオメトリーの完全自動化フレームワークを提案する。 提案した4段階パイプラインは、線形測定とそれに対応する解剖学的ランドマークを共同で推定することで生体計測パラメータを導出する。 3D畳み込みニューラルネットワークは、脳のセグメンテーションラベルマップからランドマーク座標を復元するために訓練され、次いで計測固有の幾何学的最適化によってランドマークの位置と計算測定を洗練させる。
• 参考スコア（独自算出の注目度）: 4.429998861028735
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fetal brain biometry is essential for quantitative assessment of brain development, supporting gestational age estimation, developmental monitoring, and detection of abnormalities. In clinical practice, measurements are manually performed, making them time-consuming and prone to variability. While automated approaches have been proposed, reproducible methods remain limited, particularly those providing anatomically interpretable landmark localization. We present a fully automated deep learning-based framework for reliable and reproducible brain biometry from 3D super-resolution-reconstructed fetal brain MRI. The proposed four-step pipeline derives biometric parameters by jointly estimating linear measurements and their corresponding anatomical landmarks. A 3D convolutional neural network is trained to regress landmark coordinates from brain segmentation label maps, followed by measurement-specific geometric optimization to refine landmark positions and compute measurements. The pipeline is evaluated on two publicly available fetal MRI datasets comprising 150 volumes (gestational age range: 20-37 weeks) acquired across different scanners and protocols, assessing five key biometric measurements across varying acquisition settings and providing a comprehensive evaluation of both measurement accuracy and landmark localization using quantitative metrics and visual assessment. Compared with the only available automated pipeline, the proposed method achieves comparable or improved accuracy for most measurements. In conclusion, we introduce a straightforward pipeline for reliable biometry estimations, with efficiency, interpretability and scalability that support integration into clinical workflows.
• Abstract（参考訳）: 胎児脳のバイオメトリーは、脳の発達の定量的評価、妊娠年齢の推定、発達モニタリング、異常の検出に不可欠である。 臨床実践では、測定は手作業で行われ、時間がかかり、変動しがちである。 自動的なアプローチが提案されているが、再現可能な手法は限定的であり、特に解剖学的に解釈可能なランドマークローカライゼーションを提供する。 3次元超解像再構成胎児脳MRIの信頼性と再現性を有する脳バイオメトリーのための,完全自動ディープラーニングベースのフレームワークを提案する。 提案した4段階パイプラインは、線形測定とそれに対応する解剖学的ランドマークを共同で推定することで生体計測パラメータを導出する。 3D畳み込みニューラルネットワークは、脳のセグメンテーションラベルマップからランドマーク座標を復元するために訓練され、次いで計測固有の幾何学的最適化によってランドマークの位置と計算測定を洗練させる。 パイプラインは、150巻(妊娠年齢範囲:20～37週間)の異なるスキャナーとプロトコル間で取得され、様々な取得設定で5つの重要な生体計測値を評価し、測定精度とランドマークローカライゼーションの両方を定量的な測定値と視覚的評価値を用いて包括的に評価する。 唯一利用可能な自動パイプラインと比較して、提案手法はほとんどの測定値に対して同等または改善された精度を達成する。 結論として,臨床ワークフローへの統合を支援する効率,解釈可能性,拡張性を備えた,信頼性の高いバイオメトリ推定のための簡単なパイプラインを導入する。

関連論文リスト

• A multi-centre, multi-device benchmark dataset for landmark-based comprehensive fetal biometry [10.262543644414917]
  我々は、専門的な解剖学的ランドマークアノテーションを持つ胎児のUS画像の、オープンでマルチセンタ、マルチデバイスベンチマークデータセットを提示する。 このデータセットは、7つの異なる米国デバイスを使用して3つの臨床施設で取得された1,904人の被験者から4,513個の非識別US画像で構成されている。 これは、主要な胎児の生体測定を網羅する、初めて公開されているマルチセントレ、マルチデバイス、ランドマーク付きデータセットである。
  論文  参考訳（メタデータ） (2025-12-18T16:13:34Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• BiometryNet: Landmark-based Fetal Biometry Estimation from Standard Ultrasound Planes [9.919499846996269]
  本稿では,胎児バイオメトリ推定のためのエンド・ツー・エンドのランドマーク回帰フレームワークであるBiometryNetについて述べる。 これには、ネットワークトレーニング中に測定固有の配向一貫性を強制する新しい動的配向決定(DOD)方法が含まれている。 本手法の有効性を検証するため, 臨床3施設で取得した1,829名の超音波画像3,398枚を, 異なる7種類の超音波装置を用いて収集した。
  論文  参考訳（メタデータ） (2022-06-29T14:32:32Z)
• AutoFB: Automating Fetal Biometry Estimation from Standard Ultrasound Planes [10.745788530692305]
  提案したフレームワークは、最先端のセグメンテーションモデルを用いて、重要な胎児解剖を意味的にセグメンテーションする。 その結果, セグメンテーション性能のよいネットワークは, バイオメトリ推定においてより正確であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-12T08:42:31Z)
• Automatic linear measurements of the fetal brain on MRI with deep neural networks [3.48517618410801]
  本研究の目的は、胎児脳MRIを用いたCBD, BBD, TCDの完全自動計測法を開発することである。 1) 異方性3次元U-Net分類器を用いた胎児脳を含む興味領域の計算,2) 畳み込みニューラルネットワークによる参照スライス選択,3) 胎児脳中矢状線と胎児脳の向きの計算,5) 計測の計算である。
  論文  参考訳（メタデータ） (2021-06-15T14:20:11Z)
• 3D Human Body Reshaping with Anthropometric Modeling [59.51820187982793]
  人間測定パラメータから正確で現実的な3D人体を再構築することは、個人識別、オンラインショッピング、仮想現実のための基本的な課題です。 このような3d形状を作る既存のアプローチは、レンジカメラやハイエンドスキャナーによる複雑な測定に苦しむことが多い。 本稿では,各ファセットに対する自動人為的パラメータモデリングを可能にする,特徴選択に基づく局所マッピング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-05T04:09:39Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
  大動脈径の直接推定のための教師付き深層学習法を提案する。 提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。 全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
  論文  参考訳（メタデータ） (2020-09-09T18:28:00Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。