Fugu-MT 論文翻訳(概要): Infant Care Video Dataset for Classification of Interventions Using Transformers

論文の概要: Infant Care Video Dataset for Classification of Interventions Using Transformers

arxiv url: http://arxiv.org/abs/2608.23838v1
Date: Mon, 24 Aug 2026 21:25:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.621155
Title: Infant Care Video Dataset for Classification of Interventions Using Transformers
Title（参考訳）: 変圧器を用いたインターベンション分類のための乳幼児ケアビデオデータセット
Abstract要約: Infant Care Video dataset (ICVD) は、12のシミュレートされた介入クラスにまたがる4,144本のビデオのコレクションである。我々のマニキンベースのアプローチは、カメラアングルやクリニックスキントーンなどの条件を体系的に変化させ、プライバシコンプライアンスを確実にする。 ICVDは新生児ケア環境における臨床負担を軽減するために、自動化されたドキュメンテーションシステムを開発する基盤を提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Healthcare documentation in the neonatal intensive care unit (NICU) presents significant challenges, with nurses spending approximately 25\% of their time on record-keeping, while up to 60\% of interventions remain undocumented. Motivated by the need to detect interventions from video automatically, we present the Infant Care Video Dataset (ICVD), a collection of 4,144 videos spanning 12 simulated intervention classes designed for developing automated documentation systems. Our manikin-based approach systematically varies conditions, such as camera angle and clinician skin tone, while ensuring privacy compliance. Using video transformer architectures (TimeSformer and MotionFormer), we establish strong baseline performance (93.97\% and 93.17\% top-1 accuracy) among the 12 infant care classes. Our ablation study comparing temporal models with a framewise approach (23.17\% accuracy) demonstrates a 70.80\% performance gap, validating the need for temporal modeling. The ICVD provides a foundation for developing automated documentation systems to reduce clinical burden in neonatal care environments and improve existing practices.
Abstract（参考訳）: 新生児集中治療室(NICU)の医療文書は、看護師が記録維持に約25%を費やす一方で、最大60%の介入が文書化されていないという重大な課題を呈している。 Infant Care Video Dataset (ICVD, Infant Care Video Dataset, ICVD) は, 自動ドキュメンテーションシステムを開発するために設計された12のシミュレートされた介入クラスにまたがる4,144本のビデオのコレクションである。我々のマニキンベースのアプローチは、カメラアングルやクリニックスキントーンなどの条件を体系的に変化させ、プライバシコンプライアンスを確実にする。ビデオトランスフォーマーアーキテクチャ(TimeSformerとMotionFormer)を用いて、12の乳幼児ケアクラスの中で強力なベースライン性能(93.97\%と93.17\%のトップ-1精度)を確立する。時間モデルとフレームワイズアプローチ(精度23.17\%)を比較したアブレーション研究では、時間モデルの必要性を検証し、70.80\%のパフォーマンスギャップを示す。 ICVDは、新生児ケア環境における臨床負担を軽減し、既存のプラクティスを改善するために、自動化されたドキュメンテーションシステムを開発する基盤を提供する。

関連論文リスト

Scaling Video Pretraining for Surgical Foundation Models [51.92777479821822]
SurgRecは、スケーラブルで再現可能な、外科的ビデオ理解のための事前学習のレシピだ。内視鏡,腹腔鏡,白内障,ロボット手術を対象とする10,535ビデオと214.5Mフレームの大規模なコーパスをキュレートした。
論文参考訳（メタデータ） (2026-03-31T16:31:25Z)
Beyond Benchmarks of IUGC: Rethinking Requirements of Deep Learning Methods for Intrapartum Ultrasound Biometry from Fetal Ultrasound Videos [58.71502465551297]
MICCAI 2024と共同でIUGC(Intrapartum Ultrasound Grand Challenge)が打ち上げられた。 IUGCは、標準的な平面分類、胎児の頭頂部生理的セグメンテーション、バイオメトリーを統合した、臨床指向のマルチタスク自動測定フレームワークを導入している。この課題は、これまでに3つの病院から収集された774のビデオ(68,106フレーム)を含む、最大規模のマルチセンターの超音波ビデオデータセットをリリースしている。
論文参考訳（メタデータ） (2026-02-13T13:28:22Z)
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)
Vision-Based Embedded System for Noncontact Monitoring of Preterm Infant Behavior in Low-Resource Care Settings [0.0]
出生前は新生児死亡の主な原因であり、先進的新生児集中治療ユニット(NICUs)へのアクセスが制限された低リソース環境に不均等に影響を及ぼす本稿では,このギャップに対処する新しい,非侵襲的で自動化された視覚ベースのフレームワークを提案する。 Raspberry Pi上にデプロイされた量子化されたMobileNetモデルを用いて,リアルタイムな動作状態検出を行う組込み監視システムを提案する。
論文参考訳（メタデータ） (2025-09-02T07:05:47Z)
A Modular Approach for Clinical SLMs Driven by Synthetic Data with Pre-Instruction Tuning, Model Merging, and Clinical-Tasks Alignment [46.776978552161395]
小型言語モデル(SLM)は、GPT-4のような大規模言語モデルに代わる費用対効果を提供する。 SLMは費用対効果のある代替手段を提供するが、その限られた能力は生物医学的な領域適応を必要とする。本研究では,SLMを高性能な臨床モデルに適用するための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-15T21:40:21Z)
Two-Stream Thermal Imaging Fusion for Enhanced Time of Birth Detection in Neonatal Care [1.101731711817642]
出生時刻(ToB)を正確に検出するために、画像とビデオ分析のパワーを組み合わせた2ストリーム融合システムを提案する。本システムは,短いビデオクリップ内での出生検出において,95.7%の精度と84.8%のリコールを実現する。
論文参考訳（メタデータ） (2025-03-05T07:52:52Z)
AI-Based Thermal Video Analysis in Privacy-Preserving Healthcare: A Case Study on Detecting Time of Birth [1.2524536193679123]
熱画像を用いた自動ToB検出のためのAI駆動ビデオベースシステムを提案する。性能評価中に熱ビデオクリップ中のToBの検出において,91.4%の精度,97.4%のリコールを実現した。
論文参考訳（メタデータ） (2025-02-05T07:01:49Z)
PitVis-2023 Challenge: Workflow Recognition in videos of Endoscopic Pituitary Surgery [46.2901962659261]
The Pituitary Vision (VisVis) 2023 Challengeは、内視鏡下垂体手術のビデオで、コミュニティに認識のステップと計測を課している。これは、より小さな作業スペースのため、他の最小侵襲の手術と比較しても、ユニークなタスクである。 6つの国にまたがる9チームから18のチームがあり、さまざまなディープラーニングモデルを使用していた。
論文参考訳（メタデータ） (2024-09-02T11:38:06Z)
Localizing Moments of Actions in Untrimmed Videos of Infants with Autism Spectrum Disorder [5.2289135066938375]
乳児ビデオにおけるASD関連行動の同定を目的とした自己注意型TALモデルを提案する。本研究は, 乳児の非トリミングビデオにおいて, エンド・ツー・エンドの時間的行動の局所化を初めて実施した症例である。顔の70%の精度、顔の79%の精度、笑顔の72%、発声の65%を実現した。
論文参考訳（メタデータ） (2024-04-08T20:31:27Z)
Evaluation of self-supervised pre-training for automatic infant movement classification using wearable movement sensors [2.995873287514728]
乳幼児ウェアラブルMAIJUは、乳幼児の運動性能を病院外環境で自動的に評価する手段を提供する。そこで本研究では,MAIJU録音の分析に用いる分類器の性能向上について検討した。
論文参考訳（メタデータ） (2023-05-16T11:46:16Z)
Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文参考訳（メタデータ） (2022-07-23T19:17:26Z)
A Spatio-temporal Attention-based Model for Infant Movement Assessment from Videos [44.71923220732036]
本研究では,短いクリップから抽出した人間のポーズを用いた新たなフィジット動作評価法を開発した。人間のポーズは関節と手足の運動プロファイルのみをキャプチャし、無関係な外観の人工物は含まない。実験の結果,提案手法はROC-AUCスコア81.87%を達成し,既存の競合手法よりも高い性能を示し,高い解釈性を示した。
論文参考訳（メタデータ） (2021-05-20T14:31:54Z)

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。