Fugu-MT 論文翻訳(概要): UniFLM: United Segmentation and Measurement on Fetal Limb Ultrasonic Image

論文の概要: UniFLM: United Segmentation and Measurement on Fetal Limb Ultrasonic Image

arxiv url: http://arxiv.org/abs/2608.27240v1
Date: Thu, 27 Aug 2026 15:22:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.461312
Title: UniFLM: United Segmentation and Measurement on Fetal Limb Ultrasonic Image
Title（参考訳）: UniFLM:胎児肢超音波画像の統一分割と計測
Abstract要約: 自動クロスプレーンセグメンテーションと計測のための統合フレームワークUniFLMを提案する。 UniFLMにはSemantic-Aware Skip Connectionモジュールが組み込まれており、エンコーダとデコーダの機能間のセマンティックギャップを埋める。胎児肢骨データセットを用いて行った実験により, 提案したUniFLMは胎児長骨評価において, より優れた精度と高機能を実現することが示された。
参考スコア（独自算出の注目度）: 27.325973812679376
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Prenatal ultrasound examination is crucial for assessing fetal limb development and detecting congenital anomalies. However, existing artificial intelligence models often overlook fetal lethal skeletal dysplasias due to the lack of high-quality annotated data and a unified framework for multiple long bones. Moreover, generic segmentation models struggle with the inherent noise and semantic gaps in ultrasound images. To address these challenges, we construct the Fetal Limb Bones (FLB) dataset, comprising high-quality annotations for the humerus, femur, tibia-fibula, and radius-ulna. Furthermore, we propose UniFLM, a unified framework for automatic cross-plane segmentation and measurement. UniFLM incorporates a Semantic-Aware Skip Connection module to bridge the semantic gap between encoder and decoder features, and a Positive Sampling strategy to adaptively filter noise and extract essential semantic information. Finally, a Point Regression Mapping module is introduced to learn clinician annotation patterns for precise bone length measurement. Extensive experiments conducted on the FLB dataset demonstrate that the proposed UniFLM achieves superior accuracy and enhanced generalization capabilities in fetal long bone assessment compared to current state-of-the-art models.
Abstract（参考訳）: 出生前超音波検査は胎児下肢の発生と先天性奇形の検出に不可欠である。しかし、既存の人工知能モデルは、高品質な注釈付きデータと複数の長い骨のための統一された枠組みが欠如しているため、胎児致死性骨格異形成をしばしば見落としている。さらに、一般的なセグメンテーションモデルは、超音波画像の固有のノイズやセマンティックギャップに悩まされる。これらの課題に対処するため, 上腕骨, 大腿骨, 変形骨, 半径尺骨などの高品質アノテーションを含む胎児肢骨(FLB)データセットを構築した。さらに,自動平面分割計測のための統合フレームワークUniFLMを提案する。 UniFLMにはセマンティック・アウェア・スキップ接続モジュールが組み込まれており、エンコーダとデコーダの機能間のセマンティックギャップを埋める。最後に、正確な骨長測定のための臨床アノテーションパターンを学ぶために、ポイント回帰マッピングモジュールが導入された。 FLBデータセットを用いた広範囲な実験により,UniFLMは胎児骨評価において,現在の最先端モデルと比較して精度が向上し,一般化能力が向上することが示された。

関連論文リスト

Echo-DM: Ultrasound Marker Removal via Conditional Latent Diffusion and Region-Aware Fusion [50.02433280054874]
マーカーは下流の自動分析にショートカットバイアスを導入することができる。条件付き潜伏拡散と領域認識融合による超音波マーカー除去のためのフレームワークであるEcho-DMを提案する。大規模な超音波検査データセットであるEcho-PAIRの実験は、優れたマーカー除去と強力な解剖学的忠実さを示す。
論文参考訳（メタデータ） (2026-06-08T11:56:33Z)
Robust Cross-Domain Generalization Using Unlabeled Target Data with Source-Domain Supervision [3.3240679960197514]
超音波スキャナーや臨床現場から取得したデータに対して、密集したアノテーションで訓練された医療画像AIモデルを一般化することが望ましいことが多い。本稿では,ターゲット型自己教師型事前学習とモデルアンサンブル戦略を提案する。提案手法では,教師付きトレーニングにラベル付きソースデータを使用し,目標領域事前学習を活用して一般化を向上した。
論文参考訳（メタデータ） (2026-05-27T21:29:31Z)
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)
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)
Benchmarking histopathology foundation models in a multi-center dataset for skin cancer subtyping [1.927195358774599]
大規模なドメイン内データセットの事前トレーニングは、履歴病理基盤モデル(FM)にタスクに依存しないデータ表現を学習する能力を与える。計算病理学では、スライド全体の自動解析には、スライドのギガピクセルスケールのため、複数のインスタンス学習(MIL)フレームワークが必要である。本研究は,MIL分類フレームワーク内のパッチレベルの特徴抽出器として,病理組織学的FMを評価するための新しいベンチマークを提案する。
論文参考訳（メタデータ） (2025-06-23T14:12:16Z)
FAMSeg: Fetal Femur and Cranial Ultrasound Segmentation Using Feature-Aware Attention and Mamba Enhancement [3.307520405211055]
本稿では, 特徴知覚とマンバ強調に基づく胎児大腿骨・頭蓋骨超音波画像分割モデルを提案する。 FAMSegネットワークは、様々なサイズと向きのイメージに対して、最も高速な損失低減と最高のセグメンテーション性能を達成した。
論文参考訳（メタデータ） (2025-06-09T05:06:47Z)
Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文参考訳（メタデータ） (2024-08-19T15:04:42Z)
Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Diff-UNet: A Diffusion Embedded Network for Volumetric Segmentation [41.608617301275935]
医療用ボリュームセグメンテーションのための新しいエンドツーエンドフレームワークDiff-UNetを提案する。提案手法では,拡散モデルを標準U字型アーキテクチャに統合し,入力ボリュームから意味情報を効率的に抽出する。われわれは,MRI,肝腫瘍,多臓器CTの3種類の脳腫瘍について検討した。
論文参考訳（メタデータ） (2023-03-18T04:06:18Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。