論文の概要: Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings

• arxiv url: http://arxiv.org/abs/2609.19230v1
• Date: Wed, 16 Sep 2026 15:34:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.956517
• Title: Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings
• Title（参考訳）: 不均一環境におけるロバストセグメンテーションと臨床測定のためのオープン超音波基礎モデル
• Abstract要約: SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
• 参考スコア（独自算出の注目度）: 66.3653308198376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultrasound is the most widely deployed imaging modality worldwide, yet clinical AI remains fragmented into narrow single-task models that fail when device, operator, or anatomy changes. Here we present SonoCorpus, an open resource unifying 456,963 images and 1,626,085 expert masks from 53 public datasets spanning 24 clinical applications and 17 countries, and SonoBase, an interactive segmentation foundation model pretrained on it. Across fifteen evaluation datasets introducing new organs, devices, operators, and geographies, SonoBase outperforms SAM2, MedSAM2, and the concept-promptable MedSAM3 on every dataset and matches per-dataset specialist models trained on the same data; on fully external data it exceeds the accuracy these baselines achieve on their own in-distribution benchmarks. Ejection fraction derived from its segmentations falls within inter-observer variability (6.63\% error), with fewer misclassifications at the defibrillator-candidacy threshold than either promptable baseline (13\% versus 18--42\%); fetal head-circumference (1.81~mm) and gestational-age (1.2 days) errors fall below inter-observer variability. Where a baseline fails outright, one in four test cases, SonoBase recovers a usable segmentation in 81\% of them, including on handheld probes operated by minimally trained users in two low- and middle-income countries (Sierra Leone and Tanzania). Five labeled examples can help the model adapt to a new setting, and the identical training protocol transfers well to newer models such as SAM3, locating the advantage in ultrasound-specific pretraining rather than any single architecture. To ensure reproducibility and enable the community to build on SonoBase as a platform, we release all checkpoints, optimizer states, data-split indices, deduplication hashes, and starter code.
• Abstract（参考訳）: 超音波は世界中で最も広く使われている画像モダリティだが、臨床用AIは、デバイス、オペレーター、解剖学が変化したときに失敗する狭い単一タスクモデルに断片化されている。 ここでは、24の臨床応用と17の国にまたがる53の公開データセットから、456,963のイメージと1,626,085のエキスパートマスクを統一したオープンリソースであるSanoCorpusと、それに基づいて事前訓練された対話型セグメンテーション基盤モデルであるSanoBaseを紹介する。 新しい臓器、デバイス、オペレータ、地理を導入した15の評価データセットで、SanoBaseはSAM2、MedSAM2、概念実証可能なMedSAM3を、同じデータでトレーニングされたデータセットごとのスペシャリストモデルで比較する。 セグメンテーションから派生したエジェクション分画は、サーバ間変動率 (6.63\%エラー) に該当するが、除細動器候補の閾値での誤分類は、プロンプト可能なベースライン (13\%対18-42\%) 、胎児の頭循環率 (1.81~mm) と妊娠年齢 (1.2日) の誤差は、サーバ間変動率を下回る。 Sierra LeoneとTanzaniaの2つの低所得国(Sierra LeoneとTanzania)で、最小限の訓練を受けたユーザが運営するハンドヘルドプローブを含む。 5つのラベル付き例は、モデルが新しい設定に適応するのに役立ち、同一のトレーニングプロトコルはSAM3のような新しいモデルによく対応し、単一のアーキテクチャではなく、超音波固有の事前訓練の利点を見つける。 再現性を確保し、コミュニティがプラットフォームとしてSonoBase上に構築できるようにするため、すべてのチェックポイント、オプティマイザステート、データ分割インデックス、重複排除ハッシュ、スターターコードをリリースします。

関連論文リスト

• FADA: Accessible fetal ultrasound interpretation and annotation with a selectively distilled unified vision-language model [6.088455449284066]
  低所得国と中所得国では、訓練されたソノグラフィーが世界的に不足しているため、出生前超音波検診は制限されている。 本稿では,Qwen3.5-VLをベースとした統合視覚言語モデルであるFADAについて述べる。
  論文  参考訳（メタデータ） (2026-06-09T17:03:37Z)
• Adapting Foundation Models for Annotation-Efficient Adnexal Mass Segmentation in Cine Images [4.42778347374376]
  超音波による近接性質量評価は、主観的解釈と重要なサーバ間変動によって妨げられることが多い、困難な臨床課題である。 本稿では,事前訓練されたDINOv3基盤視変換器バックボーンのロバストなセマンティクスを活かしたラベル効率の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,U-Net,U-Net++,DeepLabV3,MAnetなどの完全教師付きベースラインと比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-04-09T09:48:50Z)
• 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)
• USF-MAE: Ultrasound Self-Supervised Foundation Model with Masked Autoencoding [0.205246094017924]
  マスク付き自動符号化(USF-MAE)を用いた超音波自己監督基礎モデルについて紹介する。 USF-MAEは超音波データのみに事前訓練された最初の大規模自己監督型MAEフレームワークである。 このモデルは、46のオープンソースデータセットから算出された370,000の2Dおよび3D超音波画像で事前訓練された。
  論文  参考訳（メタデータ） (2025-10-27T04:16:43Z)
• Differential-UMamba: Rethinking Tumor Segmentation Under Limited Data Scenarios [3.1231963031043786]
  Diff-UMambaは、UNetフレームワークとmambaメカニズムを組み合わせて長距離依存関係をモデル化する新しいアーキテクチャである。 Diff-UMambaの中心部にはノイズ低減モジュールがあり、ノイズや無関係なアクティベーションを抑制するための信号差分戦略を採用している。 このアーキテクチャは、特に低データ設定において、セグメンテーションの精度と堅牢性を改善する。
  論文  参考訳（メタデータ） (2025-07-24T08:23:11Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。