論文の概要: Anatomy-Guided Foundation Model Adaptation with Within-Case Prototype Supervision for Standard Plane Detection in Fetal Ultrasound Blind Sweeps

• arxiv url: http://arxiv.org/abs/2608.27051v1
• Date: Thu, 27 Aug 2026 12:36:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.40337
• Title: Anatomy-Guided Foundation Model Adaptation with Within-Case Prototype Supervision for Standard Plane Detection in Fetal Ultrasound Blind Sweeps
• Title（参考訳）: 胎児超音波ブラインドスイップの標準平面検出のためのモデルモデルを用いた解剖誘導型モデル適応法
• Abstract要約: AnatoProtoは、凍結されたBiomedCLIPエンコーダを胎児の盲検に適応するシーケンスレベルのフレームワークである。 ACOUSLIC-AIベンチマークでは、AnatoProtoは67.72のF1テストに到達し、最も強力な基礎モデルベースラインを上回った。
• 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: Detecting the fetal abdominal circumference standard plane in low-cost obstetric blind sweeps is a highly imbalanced frame-classification problem: positive frames account for under 3% of a sequence, form short contiguous segments, and are poorly handled by off-the-shelf ultrasound and vision foundation models. We propose AnatoProto, a lightweight sequence-level framework that adapts a frozen BiomedCLIP encoder to fetal blind sweeps through four components: (i) anatomy-weighted spatial pooling that uses nnU-Net abdominal-region probabilities as a spatial prior to reweight BiomedCLIP patch tokens, so frozen semantic features are aggregated onto anatomically meaningful regions; (ii) a within-case prototype loss that pulls each frame embedding toward the mean of positive frames of the same sweep, exploiting case-level structure unavailable at the frame level; (iii) a three-stage cascade refinement (frame->segment->case-level rejecter) that lifts the prediction unit from noisy frames to structurally-constrained segments; and (iv) a hybrid prediction head that jointly models per-frame stability and inter-frame boundary transitions to suppress boundary false positives. On the ACOUSLIC-AI benchmark, AnatoProto reaches a test F1 of 67.72, outperforming the strongest foundation-model baseline (FetalCLIP + PRS, F1 = 54.52) by +13.20 F1 and the strongest video temporal-action-detection baseline (TriDet + PRS) by +15.76 F1. A synergy study, backed by embedding geometry and paired-bootstrap confidence intervals, shows that the prototype loss and anatomy-weighted pooling are not additive: applied alone the prototype loss reduces recall by 12 points, but combined with anatomy-weighted pooling it increases recall by 6.5 points -- a sign-flip we trace to the accuracy of the within-case prototype.
• Abstract（参考訳）: 低コストの産婦人科盲検で胎児腹周囲標準面を検出することは、高い不均衡なフレーム分類の問題である: 正のフレームは、シーケンスの3%未満を占め、短い連続セグメントを形成し、オフザシェルフ超音波およびビジョン基盤モデルによって処理が不十分である。 AnatoProtoは,凍結したBiomedCLIPエンコーダを4つのコンポーネントによる胎児ブラインドスイープに適応させる軽量なシーケンスレベルフレームワークである。 一 生CLIPパッチトークンの更新前の空間としてnnU-Net腹部領域確率を用いた解剖学的重み付けによる空間プールにより、凍結した意味的特徴を解剖学的に意味のある領域に集約する。 (二 フレームレベルで利用できないケースレベルの構造を利用して、同一のスイープの正のフレームの平均に各フレームを埋め込んだ内ケースのプロトタイプの損失。) 三 騒音のフレームから構造に制約のあるセグメントまで予測ユニットを持ち上げる三段カスケードリファインメント(フレーム->セグメンション->ケースレベルリファインダー) (4)フレーム単位の安定性とフレーム間境界遷移を連成モデルでモデル化し,境界偽陽性を抑制するハイブリッド予測ヘッド。 ACOUSLIC-AIベンチマークでは、AnatoProtoが67.72のテストF1に達し、ベースライン(FetalCLIP + PRS, F1 = 54.52)を+13.20 F1、ベースライン(TriDet + PRS)を+15.76 F1で上回った。 組込み幾何とペアボトストラップの信頼区間が背景にある相乗効果の研究は、プロトタイプの損失と解剖学的重み付けのプールは追加的ではないことを示している: 単独で適用すると、プロトタイプの損失は12ポイントリコールを減少させるが、解剖学的重み付けのプールと組み合わせることでリコールを6.5ポイント増加させる。

関連論文リスト

• Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
  本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
  論文  参考訳（メタデータ） (2026-09-11T05:21:01Z)
• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• AuricularWorld: Hierarchical Action-Guided World Modeling for Fine-Grained Auricular Structure Segmentation from CT Scans [4.139833999494916]
  本稿では,反復的解剖学的推論を可能にする世界モデルに基づくセグメンテーションフレームワークを提案する。 提案手法は連続的にセグメンテーション精度を向上し,HD95を小さく,不規則かつ重なり合う耳介構造に対して43%以上削減することを示した。
  論文  参考訳（メタデータ） (2026-07-30T16:38:30Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• Validation of Whole-Slide Foundation Models for Image Retrieval in TCGA Data [1.834937230572996]
  私たちはThe Cancer Genome Atlasの17の臓器と60の診断にまたがる9,387の診断スライドで10のパイプラインをベンチマークした。 方法としては、4つの事前訓練されたスライド基盤モデル、パッチ埋め込みのための注意ベースの多重インスタンス学習(ABMIL)アグリゲータ、パッチレベルの検索がある。
  論文  参考訳（メタデータ） (2026-04-28T19:19:53Z)
• CrossPan: A Comprehensive Benchmark for Cross-Sequence Pancreas MRI Segmentation and Generalization [15.982441239969354]
  CrossPanは、3つの通常の取得シーケンスにわたる1,386の3Dスキャンからなるベンチマークである。 Diceを達成するモデルでは、シーケンス間で転送された場合、ドメイン内の0.85以上のスコアがほぼゼロに崩壊する。 半教師付き学習は、安定した強度分布下でのみゲインを提供し、高い組織内変動性を持つ一般化配列では不安定になる。
  論文  参考訳（メタデータ） (2026-04-20T20:00:32Z)
• Architecture-Agnostic Modality-Isolated Gated Fusion for Robust Multi-Modal Prostate MRI Segmentation [0.0]
  多重化前立腺MRIは、T2パラメトリック(T2W)、見かけ拡散係数(ADC)、高b値拡散強調(HBV)配列を組み合わせる。 実際には、拡散配列は、T2Wよりも、取得のばらつき、動き、アーティファクトの影響を受けることが多い。 我々は、学習ゲーティングステージの前に、個別のモダリティ固有の符号化ストリームを維持するために、Modality-Isolated Gated Fusion (MIGF)を提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:54:21Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• Multi-head automated segmentation by incorporating detection head into the contextual layer neural network [0.0]
  本稿では,Swin U-Netをベースとしたゲート型マルチヘッドトランスフォーマーアーキテクチャを提案する。 ゲートモデルが非ゲートセグメンテーションのみのベースラインを大幅に上回ることを示す。 これらの結果は,自動セグメンテーションアプリケーションにおいて,検出に基づくゲーティングが堅牢性と解剖学的妥当性を高めることを示唆している。
  論文  参考訳（メタデータ） (2026-02-02T18:51:25Z)
• A Dual-Mode ViT-Conditioned Diffusion Framework with an Adaptive Conditioning Bridge for Breast Cancer Segmentation [2.8110777003480654]
  乳房超音波検査では,早期診断には精査が不可欠である。 標準的な畳み込みアーキテクチャは、十分にグローバルなコンテキストを捉えるのにしばしば不足する。 拡張UNetベースの生成デコーダと視覚変換器(ViT)エンコーダを組み合わせたフレキシブルで条件付きデノイング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-11-08T12:33:18Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
  従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。 我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。 フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
  論文  参考訳（メタデータ） (2025-07-10T23:12:12Z)
• Fast and Accurate Blind Flexible Docking [79.88520988144442]
  小分子(配位子)のタンパク質標的への結合構造を予測する分子ドッキングは、薬物発見において重要な役割を果たす。 本研究では,現実的な視覚的フレキシブルドッキングシナリオを対象とした,高速かつ高精度な回帰ベースマルチタスク学習モデルであるFABFlexを提案する。
  論文  参考訳（メタデータ） (2025-02-20T07:31:13Z)
• SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere Representation and Center Points Matching [47.79483848496141]
  3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。 アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。 提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-04-12T05:51:29Z)

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。