論文の概要: Deep Learning-based Intelligent Diagnosis of Congenital Uterine Anomalies in 3D Ultrasound

• arxiv url: http://arxiv.org/abs/2609.15225v2
• Date: Tue, 15 Sep 2026 02:26:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.093294
• Title: Deep Learning-based Intelligent Diagnosis of Congenital Uterine Anomalies in 3D Ultrasound
• Title（参考訳）: 深層学習による3次元超音波による先天性子宮腫瘍の知能診断
• Abstract要約: 先天性子宮奇形(CUA)の自動分類のためのインテリジェントなフレームワークCUA-Netを開発した。 CUA-Netは3D ResNet-18上に構築され、データ不均衡問題を緩和するための動的データ再サンプリング戦略を備えていた。 我々は,CUA-Netを異なる深層学習法と中・高次ソノグラフィーと比較した。
• 参考スコア（独自算出の注目度）: 10.135095835279495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: To develop an intelligent framework, termed CUA-Net, for the automated classification of congenital uterine anomalies (CUA) without requiring coronal plane reconstruction, and to evaluate its clinical applicability. Methods: CUA-Net was built on 3D ResNet-18, equipped with a dynamic data resampling strategy to mitigate the data imbalance issue and a hard sample mining technique to fully learn from the difficult cases by loss adjustment. We further proposed the self-supervised reconstruction to comprehensively explore the volumes and the online data augmentation to refine the wrong predictions and enhance the model's generalization. We compared the CUA-Net with different deep-learning methods and junior/senior sonographers in the testing set. The evaluation metrics included accuracy, precision, recall, F1-score, micro-AUC, and macro-AUC. Results: The proposed CUA-Net exhibited satisfactory performance in both internal and external test sets. In the internal cohort, the model achieved accuracy of 93.88%, precision of 87.01%, recall of 95.92%, F1-score of 88.09%, and micro-AUC of 0.9982 and macro-AUC of 0.9997. In the external set, it maintained good performance with accuracy of 91.52%, precision of 83.27%, recall of 88.63%, F1-score of 81.49%, micro-AUC of 0.9945 and macro-AUC of 0.9990. Our CUA-Net outperformed the junior sonographers across all performance indicators and achieved performance comparable to that of the senior sonographers across most metrics. Conclusion: The CUA-Net demonstrates favorable accuracy and generalizability in classifying common CUA categories, while showing preliminary potential for recognizing less prevalent anomalies. These capabilities may help optimize clinical workflows and support more standardized diagnosis.
• Abstract（参考訳）: 目的: 先天性子宮奇形(CUA)の自動分類のための知的枠組みであるCUA-Netを開発し, その臨床応用性を評価する。 方法:CUA-Netは3D ResNet-18上に構築され、データ不均衡問題を緩和するための動的データ再サンプリング戦略と、損失調整による困難なケースから完全に学習するためのハードサンプルマイニング技術を備えている。 さらに,誤った予測を洗練させ,モデルの一般化を促進するために,ボリュームとオンラインデータ拡張を包括的に探求する自己教師型再構築を提案する。 我々は,CUA-Netを異なる深層学習法と中・高次ソノグラフィーと比較した。 評価基準は精度,精度,リコール,F1スコア,マイクロAUC,マクロAUCであった。 結果: CUA-Netは内部および外部テストセットで良好な性能を示した。 内部コホートでは、精度は93.88%、精度は87.01%、リコールは95.92%、F1スコアは88.09%、マイクロAUCは0.9982、マクロAUCは0.9997であった。 外部セットでは91.52%の精度、83.27%の精度、88.63%のリコール、81.49%のF1スコア、0.9945のマイクロAUC、0.9990のマクロAUCで良好な性能を維持した。 我々のCUA-Netは、すべてのパフォーマンス指標でジュニアソノグラフィーよりも優れており、ほとんどのメトリクスで上級ソノグラフィーに匹敵するパフォーマンスを達成した。 結論: CUA-Netは, 一般的なCUAカテゴリの分類において, 適切な精度と一般化性を示すとともに, あまり普及していない異常を認識する予備的可能性を示す。 これらの機能は、臨床ワークフローを最適化し、より標準化された診断をサポートするのに役立つ。

関連論文リスト

• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• Improving Generalization of Deep Learning for Brain Metastases Segmentation Across Institutions [5.4585656405659195]
  この作業の目標は、BMセグメンテーションを複数の機関で使用できるようにするためのドメイン適応フレームワークを作ることである。 本稿では,変分オートエンコーダ(VAE)と平均誤差損失(MMD)を組み合わせたVAE-MMD前処理パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-04-01T02:25:25Z)
• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• Enhancing Diabetic Retinopathy Classification Accuracy through Dual Attention Mechanism in Deep Learning [2.856144231792095]
  本研究では,グローバルアテンションブロック(GAB)とカテゴリーアテンションブロック(CAB)をディープラーニングモデルに組み込む。 提案手法は,3つの事前学習ネットワークを用いた注意機構に基づくディープラーニングモデルに基づく。 提案手法はDR分類に関する最近報告された研究と同等の競争性能を実現する。
  論文  参考訳（メタデータ） (2025-07-25T12:09:27Z)
• Advanced Health Misinformation Detection Through Hybrid CNN-LSTM Models Informed by the Elaboration Likelihood Model (ELM) [0.43695508295565777]
  本研究では,ソーシャルメディア上での誤情報検出を促進するために,ELM(Elaboration Likelihood Model)を適用した。 本モデルは,EMMに基づく特徴を統合することにより,誤情報分類の検出精度と信頼性を向上させることを目的としている。 改良されたモデルは精度97.37%、精度96.88%、リコール98.50%、F1スコア97.41%、ROC-AUC99.50%を達成した。
  論文  参考訳（メタデータ） (2025-07-12T05:44:06Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
  先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。 本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。 バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-28T05:47:44Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• MOMO -- Deep Learning-driven classification of external DICOM studies for PACS archivation [0.9498643829295902]
  MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。 既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。 MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
  論文  参考訳（メタデータ） (2021-12-01T17:16:41Z)

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。