論文の概要: WASP: Weakly Aligned Spatiotemporal Pairs for Fetal Brain MRI-Ultrasound Learning

• arxiv url: http://arxiv.org/abs/2610.04601v1
• Date: Sat, 03 Oct 2026 15:41:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 18:28:48.461884
• Title: WASP: Weakly Aligned Spatiotemporal Pairs for Fetal Brain MRI-Ultrasound Learning
• Title（参考訳）: WASP:胎児脳MRI-Ultrasound Learningのための重度時空間ペア
• Abstract要約: Weakly Aligned Spatiotemporal Pairs (WASP) は、エントロピー最適輸送問題としてクロスモーダル対応を定式化するためのフレームワークである。 プレトレーニング中にMRIがモデルに見当たらない場合,WASPは最大の利得が得られることを示す。
• 参考スコア（独自算出の注目度）: 46.24086098046692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Imaging (MRI) is widely regarded as the optimal sensor for fetal brain analysis due to its superior soft-tissue contrast and anatomical detail. However, its high cost and operational burden make it invasive and difficult to obtain at scale. Ultrasound (US), in contrast, is cheap, safe, and routinely acquired, and as a result it has produced substantially larger datasets and a growing ecosystem of pretrained models. This asymmetry raises a natural question: Can we teach a US-only model to understand fetal MRI from only a limited set of examples? The standard recipe, training a foundation model on subject-to-subject paired MRI-US scans, is not viable since no such paired fetal dataset is publicly available. In this paper we address this gap with Weakly Aligned Spatiotemporal Pairs (WASP), a framework that formulates cross-modal correspondence as an entropic Optimal Transport problem driven by clinical metadata, in particular Gestational Age (GA) and diagnostic planes, enabling the fitting of a lightweight alignment module that lifts MRI representations into the US latent space, without fine-tuning the backbone. Empirically, WASP yields its largest gains when MRI is unseen by the model during pretraining (on USFM, GA estimation error drops from 21.9 to 17.4 days and standard plane classification accuracy climbs from 61.9% to 69.0%), while providing smaller, backbone-dependent refinements for backbones pretrained on both modalities (e.g., BioMedParse GA estimation error from 6.5 to 6.0 days and SAM-Med2d plane accuracy from 83.3% to 88.1%). Code is available at https://github.com/miccunifi/WASP.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は, より優れたソフト・タスク・コントラストと解剖学的詳細により, 胎児脳分析の最適なセンサとして広く見なされている。 しかし、そのコストと運用上の負担が大きいため、大規模な運用では侵入的かつ入手が困難である。 対照的に超音波(US)は安価で安全で日常的に取得されており、結果としてかなり大きなデータセットと事前訓練されたモデルのエコシステムを生み出している。 この非対称性は自然な疑問を提起する: 限られた例からのみ胎児MRIを理解するために米国のみのモデルを教えることができるか? 標準レシピでは、被験者対MRI-USスキャンの基盤モデルをトレーニングしているが、そのようなペアの胎児データセットは公開されていないため、実現不可能である。 本稿では, 臨床メタデータ, 特にGestational Age (GA) と診断平面によって引き起こされるエントロピー的最適輸送問題として, クロスモーダル対応を定式化するフレームワークであるWeakly Aligned Spatiotemporal Pairs (WASP) を用いて, このギャップを解消し, 背骨を微調整することなくMRI表現を米国潜在空間に持ち上げる軽量アライメントモジュールの装着を可能にする。 実験的に、WASPはMRIが事前トレーニング中にモデルに見つからない場合(USFMではGA推定誤差が21.9から17.4日、標準平面分類精度は61.9%から69.0%)、両方のモードで事前訓練されたバックボーン(例:BioMedParse GA推定誤差が6.5から6.0日、SAM-Med2d平面精度が83.3%から88.1%)で最大の利益を得る。 コードはhttps://github.com/miccunifi/WASP.orgで入手できる。

関連論文リスト

• 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)
• Patch-Based Diffusion for Data-Efficient, Radiologist-Preferred MRI Reconstruction [30.203473273516895]
  パッチベースの拡散モデルでは、小さな実数値データセットよりも効果的なデータ駆動の事前学習が期待できる。 本研究では,25k領域の画像の小さなデータセットでトレーニングしたPaDIS-MRIモデルが,画像品質の指標でFastMRI-EDMより優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T20:18:56Z)
• Resource-Efficient Glioma Segmentation on Sub-Saharan MRI [4.522693679811991]
  本研究では,資源品質設定に適した,堅牢で効率的なディープラーニングフレームワークを提案する。 我々は,BraTS-Africaデータセット上のトレーニング済み重みから,残留ブロックを付加した3次元注意UNetアーキテクチャを活用し,転送学習により拡張した。 SSA MRIデータにおけるグリオーマセグメンテーションのベンチマークであるBraTS-Africaデータセットから95例のMRI症例について検討した。
  論文  参考訳（メタデータ） (2025-09-11T13:52:47Z)
• Learning from Anatomy: Supervised Anatomical Pretraining (SAP) for Improved Metastatic Bone Disease Segmentation in Whole-Body MRI [0.7330217643497285]
  本稿では,解剖ラベルの限られたデータセットから学習するSAP(Supervised Anatomical Pretraining)法を提案する。 SAPはベースラインモデルとSSLプリトレーニングされたモデルの両方で大幅に優れており、正規化表面Diceは0.76、Dice係数は0.64である。 1ml以上の臨床関連病変のみを考慮すると、SAPは32例中28例において100%の感度で検出できる。
  論文  参考訳（メタデータ） (2025-06-24T12:59:44Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。