論文の概要: STORK: Spatio-Temporal Observation of uterine contRactions via neural networKs
- arxiv url: http://arxiv.org/abs/2610.09598v1
- Date: Wed, 07 Oct 2026 07:44:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.778752
- Title: STORK: Spatio-Temporal Observation of uterine contRactions via neural networKs
- Title（参考訳）: STORK:ニューラルネットソークによる子宮収縮の時空間観察
- Abstract要約: 胎児MRIにおける子宮収縮は通常手動で特定され、廃棄される。
我々は、粗い時間レベルラベルのみを用いて動的MRIシリーズに基づいて訓練されたマルチ時間学習モデルであるSTORKを紹介する。
- 参考スコア（独自算出の注目度）: 1.061415514778407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uterine contractions in fetal MRI are typically identified manually and discarded, limiting insights into contraction dynamics. We formalize Uterine Contractile Activity Detection (UCAD) as a weakly-supervised learning problem and introduce STORK, a multi-instance learning model trained on dynamic MRI series using only coarse, series-level labels. STORK factorizes 3D spatio-temporal convolutions into parallel branches across temporal hyperplanes to capture coherent tissue motion without the cost of full 4D convolutions. Per-frame embeddings, combining intensity and Demons-estimated displacement fields, are aggregated by a linear mean-pooling head. This ensures that frame-level contraction scores can be recovered post-hoc without frame-level training supervision. Evaluated on around 700 multi-vendor dynamic fetal MRI series, STORK achieves a series-level AUROC of 95.0% and AUPRC of 94.6%, substantially outperforming 3D ResNet and ConvNeXt baselines. Grad-CAM analysis suggests that the model draws on predictive features extending beyond the placenta into the uterine tissue, offering an automated tool for richer phenotyping of uterine behavior.
- Abstract（参考訳）: 胎児MRIにおける子宮収縮は通常手動で特定され、廃棄され、収縮ダイナミクスに関する洞察が制限される。
弱教師付き学習問題としてUCAD(Uterine Contractile Activity Detection)を定式化し、粗い連続レベルラベルのみを用いて動的MRI系列に基づいてトレーニングされたマルチインスタンス学習モデルであるSTORKを導入する。
STORKは3次元時空間畳み込みを時空間超平面上の平行枝に分解し、完全な4次元畳み込みのコストを伴わずにコヒーレントな組織の動きを捉える。
デモンズ推定変位場と強度を結合したフレーム当たりの埋め込みを線形平均プールヘッドで集約する。
これにより、フレームレベルのトレーニングを監督することなく、フレームレベルの収縮スコアをポストホックに復元することができる。
約700個のマルチベンダーのダイナミック胎児MRIシリーズで評価され、STORKは95.0%のAUROCと94.6%のAUPRCを達成し、3D ResNetとConvNeXtのベースラインを大幅に上回っている。
Grad-CAM分析によれば、このモデルは胎盤を越えて子宮組織に広がる予測的特徴に基づいており、子宮の振る舞いをよりリッチに表現するための自動化ツールを提供する。
関連論文リスト
- Learning Unsteady Aneurysm Hemodynamics with Physics-Informed DeepONets [0.0]
M3PI-DeepONetは、平均相対的なL2速度誤差を4%以下、圧力誤差を5%程度で、非定常な3次元流速と圧力場を同時に予測する。
本研究は, 心血管疾患モデルにおける深層学習の応用を推し進め, リアルタイム非侵襲的臨床診断への一歩を踏み出した。
論文 参考訳（メタデータ） (2026-08-13T09:08:24Z) - Motion Artifact-Aware Self-Supervised Representation Learning for 3D Brain MRI Motion Artifact Reduction [5.935221658266667]
SSRL-MARは、動きアーチファクトの低減のための、動きアーチファクトを意識した表現学習フレームワークである。
SSRL-MARは、SSRL-MARがPSNR 23.81dB、SSIM 91.55%、NMSE 0.79%を達成した。
In-vivo MR-ARTデータセットでは、事前訓練されたモデルにより運動歪みが減少し、教師なし領域適応により解剖学的忠実度はさらに向上した。
論文 参考訳（メタデータ） (2026-08-10T19:37:31Z) - Spatio-Temporal Mixture-of-Modality-Experts Diffusion for Quantitative DCE-MRI Synthesis from Incomplete MR Sequences [2.4827516038838064]
ST-MoMEは様々なサブセットから3次元DCEパラメータマップを合成する条件拡散フレームワークである。
3DパッチベースのトレーニングとSwinベースのバックボーンで、画像空間で直接拡散を行う。
正常化平均角誤差(NMSE)は,3つのDCEパラメータすべてで集計され,$v_p$および$v_e$での先行成績,$Kmathrmtrans$での競合成績,臨床的に重要な腫瘍領域における最小再構成誤差を達成している。
論文 参考訳（メタデータ） (2026-06-24T08:10:27Z) - 3D Classification of Paramagnetic Rim Lesions in Multiple Sclerosis via Asymmetric QSM-FLAIR Modeling [4.672573934670909]
多発性硬化症(MS)における慢性活動性炎症の特異的バイオマーカーとして,感応性感応性MRIで同定された常磁性リム病変(Rim$+$)が最近出現している。
本稿では,QSMとFLAIR MRIを用いた病変レベルRim$+/Rim$-$分類のための3次元マルチモーダルディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-15T14:10:30Z) - Model-based Dynamic 3D MRI Reconstructions using Neural Fields and Tensor Product Expansions [38.95952035777659]
我々は,高アンサンプデータから動的2次元および3次元MRI再構成を行うための,離散化のない,メモリ効率のよいモデルベースのフレームワークを提案する。
提案手法は,動的2次元および3次元設定における最先端モデルに基づく再構成よりも優れる。
論文 参考訳（メタデータ） (2026-05-08T04:04:30Z) - UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。
我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。
我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
論文 参考訳（メタデータ） (2026-03-10T05:45:12Z) - DNA: Uncovering Universal Latent Forgery Knowledge [39.19379714306656]
フォージェリ検出機能は、すでにトレーニング済みのモデル内にエンコードされている。
DNAフレームワークは粗大な発掘機構を採用している。
Hifi-Genは、最新のモデルの上に構築された高忠実度合成ベンチマークである。
論文 参考訳（メタデータ） (2026-01-30T03:48:30Z) - B-FIRE: Binning-Free Diffusion Implicit Neural Representation for Hyper-Accelerated Motion-Resolved MRI [37.43809864791578]
既存の4DMRIは平均呼吸位相の許容可能なアーティファクトを生成し、ダイナミックな情報をぼかし、誤表現することができる。
超加速MR再構成のためのビンニングフリー拡散暗黙的ニューラル表現フレームワークであるB-FIREを提案する。
論文 参考訳（メタデータ） (2026-01-07T03:23:22Z) - Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。
我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
論文 参考訳（メタデータ） (2025-09-22T12:57:21Z) - Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文 参考訳（メタデータ） (2023-01-21T15:00:59Z) - Towards Autonomous Atlas-based Ultrasound Acquisitions in Presence of
Articulated Motion [48.52403516006036]
本稿では、自律型ロボットUS手足のスキャンを可能にする視覚ベースのアプローチを提案する。
この目的のために、アノテートされた血管構造を有するヒト腕のアトラスMRIテンプレートを使用して、軌跡を生成する。
いずれの場合も、このシステムはボランティアの手足で計画された血管構造を取得することができる。
論文 参考訳（メタデータ） (2022-08-10T15:39:20Z)
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。