論文の概要: Cross-Modal Ultrasound-MRI Learning for Fetal Brain Ventricular Volumetry and Abnormality Screening

• arxiv url: http://arxiv.org/abs/2608.14763v1
• Date: Fri, 14 Aug 2026 10:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.072786
• Title: Cross-Modal Ultrasound-MRI Learning for Fetal Brain Ventricular Volumetry and Abnormality Screening
• Title（参考訳）: 胎児脳室容積の経時的超音波画像診断と異常スクリーニング
• Abstract要約: 胎児脳超音波における腹腔鏡検査(VM)の評価は,標準平面の側室幅の測定に依存する。 胎児脳評価のための超音波ビデオベースフレームワークであるVIFBAを提案する。 MRI由来の外側心室容積を予測し、VMの重症度を分類し、胎児以外の脳の潜在的な異常を同定する。
• 参考スコア（独自算出の注目度）: 12.404571648921475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessment of ventriculomegaly (VM) on fetal brain ultrasound relies primarily on measuring lateral ventricular atrial width on standard planes, which is operator-dependent and may not fully reflect the overall ventricular enlargement. Fetal brain MRI provides more reliable volumetric information but is costly and less accessible for routine use. To address these limitations, we propose VIFBA, an ultrasound video-based framework for fetal brain assessment that predicts MRI-derived lateral ventricular volume, classifies VM severity, and identifies potential non-VM fetal brain abnormalities. Our contribution is three-fold. First, we introduce a joint-embedding predictive architecture (JEPA)-inspired tube latent prediction objective that leverages spatio-temporal coherence in ultrasound videos to enhance representation learning. Second, we develop a contrastive cross-modal alignment strategy that transfers structural information from MRI to ultrasound during training, while requiring ultrasound alone at inference. Third, we augment VIFBA with a training-free vision-language model and retrieval augmentation to verify uncertain predictions and identify potential non-VM fetal brain abnormalities. We validated VIFBA on a large dataset comprising 857 cases (3,196 videos) with paired fetal brain ultrasound and MRI examinations. On held-out test data, VIFBA achieved an MAE of 0.5909 mL and Pearson correlation coefficient of 0.9907 for ventricular volume regression, 0.9400 accuracy for VM severity classification, and an F1 score of 0.7764 for multi-abnormality classification, substantially outperforming single-task baselines, video-based strong competitors, and state-of-the-art foundation models. By enabling MRI-informed volumetric assessment from routine ultrasound alone, VIFBA offers a practical and potentially broadly deployable pathway toward accurate and affordable prenatal brain screening.
• Abstract（参考訳）: 胎児脳超音波における腹腔鏡下手術(VM)の評価は, 術者に依存し, 全心室拡張を十分に反映していない標準平面における外側心室心房幅の測定に大きく依存している。 胎児脳MRIはより信頼性の高いボリューム情報を提供するが、日常的な使用には高価でアクセスし難い。 これらの制約に対処するため,MRIによる側室容積を予測し,VMの重症度を分類し,非VM脳の潜在的な異常を同定する胎児脳評価のための超音波ビデオベースフレームワークであるVIFBAを提案する。 私たちの貢献は3倍です。 まず,超音波映像の時空間コヒーレンスを利用して表現学習を向上させるJEPA(Joint-embedding predictive Architecture)による管遅延予測手法を提案する。 第2に,MRIから超音波へ構造情報を伝達するコントラスト的なクロスモーダルアライメント戦略を開発した。 第3に、トレーニング不要な視覚言語モデルと検索拡張を用いてVIFBAを増強し、不確実な予測を検証し、潜在的な非VM胎児脳の異常を同定する。 胎児脳超音波検査とMRI検査を併用した857例(3,196ビデオ)の大規模なデータセット上でVIFBAを検証した。 心室容積回帰では0.5909mL, ピアソン相関係数は0.9907, VM重度分類では0.9400, マルチ異常分類ではF1スコアが0.7764となり, シングルタスクベースライン, ビデオベースコンペティタ, 最先端基礎モデルよりも優れていた。 通常の超音波検査だけでMRIによる容積評価を可能にすることで、VIFBAは、正確で手頃な価格の出生前脳のスクリーニングに向けて実用的で、潜在的に広く展開可能な経路を提供する。

関連論文リスト

• A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data [50.52606847963128]
  我々は2021年の世界保健機関(WHO)の脳腫瘍タイプを分類するためにBrainVLMを開発した。 BrainVLMは40,043人のマルチモーダルデータ(MRIスキャン、人口統計学、放射線学)で訓練された。 病理組織学的に確認された脳腫瘍5,211例について検討した。
  論文  参考訳（メタデータ） (2026-09-15T03:46:03Z)
• AlignUS: MRI-Guided Ultrasound Representation Learning for ALS Classification from Tongue Images [0.0]
  舌の高分解能超音波(HRUS)は、球根の関与を評価するためのポータブルで低コストな代替手段を提供する。 本稿では,MRIからHRUSに基づく分類器へ解剖学的知識を伝達するクロスモーダルな知識蒸留フレームワークであるAlignusを提案する。 このモデルは4つの患者レベルのクロスバリデーションフォールドに集約された0.958の患者レベルのバランス精度、0.963のマクロF1、0.990のROC-AUCを実現する。
  論文  参考訳（メタデータ） (2026-09-14T09:43:08Z)
• Placenta Accreta Spectrum Detection using Multimodal Deep Learning [0.6192567865226507]
  Placenta Accreta Spectrum (PAS)は、子宮壁への異常な胎盤浸潤を伴う、生命の危険を伴う合併症である。 本研究の目的は,複数の画像モダリティを統合することによってPAS検出を向上させるディープラーニングフレームワークの開発と評価である。
  論文  参考訳（メタデータ） (2025-12-31T23:55:56Z)
• Large-Scale Pre-training Enables Multimodal AI Differentiation of Radiation Necrosis from Brain Metastasis Progression on Routine MRI [3.291383664051985]
  放射線治療後の腫瘍進展と放射線壊死の鑑別は、脳転移にとって重要な課題である。 従来の教師付き深層学習アプローチは、生検確認の少ない訓練データによって制約される。 自己教師付き学習は、大規模にラベル付けされていない脳転移画像データセットの可用性の増大を活用することで、この問題を克服する。
  論文  参考訳（メタデータ） (2025-11-22T22:44:50Z)
• Deep Learning Analysis of Prenatal Ultrasound for Identification of Ventriculomegaly [0.17476892297485447]
  心膜腫は胎児の脳室拡張を特徴とする出生前状態である。 提案モデルでは,OpenUS-46コーパスから370,000枚以上の超音波画像に予めトレーニングしたビジョントランスフォーマーエンコーダを組み込んだ。 モデルは5倍のクロスバリデーションで91.76%、独立したテストセットで91.78%のF1スコアに達した。
  論文  参考訳（メタデータ） (2025-11-11T04:45:48Z)
• 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)
• 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)
• DeepSPV: A Deep Learning Pipeline for 3D Spleen Volume Estimation from 2D Ultrasound Images [7.727342487565146]
  脾腫は、疾患細胞病(SCD)などの様々な関連疾患に対する重要な臨床指標である 本研究では,1次元または2次元の超音波画像からスプレエン体積を正確に推定する深層学習パイプラインであるDeepSPVを提案する。
  論文  参考訳（メタデータ） (2024-11-17T22:43:07Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)

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。