論文の概要: A Foundational EDM2-Based Generative Model for High-Resolution Synthetic Fetal Ultrasound Imaging from Open Datasets
- arxiv url: http://arxiv.org/abs/2608.05471v1
- Date: Wed, 05 Aug 2026 23:39:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.670833
- Title: A Foundational EDM2-Based Generative Model for High-Resolution Synthetic Fetal Ultrasound Imaging from Open Datasets
- Title（参考訳）: オープンデータセットからの高分解能胎児超音波イメージングのための基礎的EDM2に基づく生成モデル
- Abstract要約: EDM2拡散構造に基づく高分解能胎児超音波合成フレームワークを提案する。
FIDスコアが低く、下流の胎児平面分類が向上し、微調整後93.36%のアンサンブル精度が得られた。
- 参考スコア（独自算出の注目度）: 13.027245104199912
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Prenatal ultrasound imaging is key for assessing fetal health, but AI progress is limited by scarce, privacy-restricted, and hard-to-annotate datasets. We propose a high-resolution fetal ultrasound synthesis framework based on the EDM2 diffusion architecture, trained on multiple public datasets to generate 512x512 images across six anatomical classes. Our method achieved improved image quality with lower FID scores and enhanced downstream fetal plane classification, reaching 93.36% ensemble accuracy after fine-tuning, surpassing real-data-only training. Clinical evaluation by an experienced fetal ultrasound specialist (10+ years) on 100 images yielded a mean realism score of 2.67/5, with real images rated higher than synthetic. Artefacts included smoothing, speckle irregularities, and anatomical inconsistencies. Code, data, models and other resources to reproduce this work are available at https://github.com/xfetus/fetal-ultrasound-edm2.
- Abstract（参考訳）: 出生前超音波画像は胎児の健康を評価するための鍵であるが、AIの進歩は、少ない、プライバシーに制限された、注釈のつかないデータセットによって制限されている。
本研究では,EDM2拡散構造に基づく高分解能胎児超音波合成フレームワークを提案する。
提案手法は,FIDスコアが低く,下流の胎児平面分類が向上し,微調整後93.36%のアンサンブル精度を達成し,実データのみのトレーニングを超越した。
経験豊富な胎児超音波スペシャリスト(10歳以上)による100枚の画像に対する臨床評価では、平均的リアリズムスコアは2.67/5で、実際の画像は合成画像よりも高く評価された。
人工物には、平滑化、スペックルの不規則性、解剖学的不整合が含まれていた。
この作業を再現するためのコード、データ、モデル、その他のリソースはhttps://github.com/xfetus/fetal-ultrasound-edm2.comにある。
関連論文リスト
- FUSEP: A Multi-Center Benchmark for Diverse Tasks in Early Pregnancy Fetal Ultrasound Screening [50.7313801030297]
胎児の早期妊娠における超音波データセットの欠如は、自動診断の開発を遅らせている。
妊娠初期における胎児超音波スクリーニングのためのFUSEPというベンチマークデータセットを提案する。
本データセットは,4,017個の超音波画像と45,820個のボックスレベルの専門家レベルのアノテーションを用いた2つの超音波画像からなる。
論文 参考訳（メタデータ） (2026-08-05T12:33:07Z) - 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) - A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
一般臨床用超音波基礎モデルであるEchoCareについて紹介する。
我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。
最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
論文 参考訳（メタデータ） (2025-09-15T10:05:31Z) - Multi-Contrast Fusion Module: An attention mechanism integrating multi-contrast features for fetal torso plane classification [2.4337931462755633]
超音波画像における低コントラストと不明瞭なテクスチャの詳細は、微細な解剖学的認識に課題をもたらす。
超音波画像から詳細な情報を抽出する能力を高めるために,新しいマルチコントラスト融合モジュール(MCFM)を提案する。
論文 参考訳（メタデータ） (2025-08-13T09:24:22Z) - Advancing Fetal Ultrasound Image Quality Assessment in Low-Resource Settings [3.982826074217475]
FetalCLIPは、210,000以上の胎児超音波画像言語対のキュレートデータセットに事前訓練されたビジョンキャプションモデルである。
本稿では、LoRA(Lo-Rank Adaptation)を用いてFetalCLIPから適応したIQAモデルを導入し、ACOUS-AIデータセット上で評価する。
適応セグメンテーションモデルでは,分類に再利用することで,F1スコアの0.771を達成し,さらなる性能向上が期待できる。
論文 参考訳（メタデータ） (2025-07-30T16:09:29Z) - FetalFlex: Anatomy-Guided Diffusion Model for Flexible Control on Fetal Ultrasound Image Synthesis [16.640351512021017]
これらの課題に対処するために、Flexible Fetal USイメージ生成フレームワーク(FetalFlex)を紹介します。
FetalFlexには、制御性を高めるための事前調整モジュールが組み込まれており、一貫したテクスチャと外観を保証するための再塗装戦略が導入されている。
マルチセンターデータセットの実験では、FetalFlexが複数の画像品質メトリクスで最先端のパフォーマンスを達成したことが示されている。
論文 参考訳（メタデータ） (2025-03-19T05:16:19Z) - Enhancing Fetal Plane Classification Accuracy with Data Augmentation Using Diffusion Models [4.463474240520404]
高品質なアノテート超音波画像の入手は限られており、機械学習モデルの訓練が制限されている。
本稿では, 胎児平面分類の性能向上のために, 拡散モデルを用いて合成超音波画像を生成する手法について検討する。
論文 参考訳（メタデータ） (2025-01-25T15:33:13Z) - Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。
UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。
疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
論文 参考訳（メタデータ） (2024-11-25T13:40:11Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Towards Realistic Ultrasound Fetal Brain Imaging Synthesis [0.7315240103690552]
臨床データ不足、患者のプライバシ、一般的には異常の稀な発生、データ収集と検証の専門家の限られたため、一般の超音波胎児画像データセットはほとんどない。
このようなデータ不足に対処するため、私たちは1つのパブリックデータセットから胎児の超音波脳面の画像を生成するために、GAN(Generative Adversarial Network)ベースのモデル、拡散超解像-GANとトランスフォーマーベース-GANを提案した。
論文 参考訳（メタデータ） (2023-04-08T07:07:20Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z)
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。