論文の概要: Generalizable fetal brain biometry via adaptive artificial intelligence

• arxiv url: http://arxiv.org/abs/2610.23966v1
• Date: Sun, 11 Oct 2026 13:39:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:45:42.630197
• Title: Generalizable fetal brain biometry via adaptive artificial intelligence
• Title（参考訳）: 適応人工知能を用いた一般化可能な胎児脳バイオメトリー
• Abstract要約: BioTTAは、バックボーンに依存しない、ソース無しで教師なしなテスト時間適応フレームワークである。 トレーニング済みのモデルを、個別のラベルなしのターゲットボリュームにオンラインで適応させる。 正確な、一般化可能な胎児脳のバイオメトリーと、出生前脳の成長評価の標準化をサポートする。
• 参考スコア（独自算出の注目度）: 40.5130281667465
• License:
• Abstract: Reliable fetal brain biometry on magnetic resonance imaging (MRI) is essential for diagnosing congenital brain anomalies, but artificial intelligence models often lose accuracy under domain shifts. We developed BioTTA, a backbone-agnostic, source-free unsupervised test-time adaptation framework that adapts pretrained models online to individual unlabeled target volumes. This retrospective multicohort study included 394 reconstructed 3D fetal brain MRI volumes at 20-39 gestational weeks, with 11 biometric measurements annotated by radiologists. BioTTA was developed on single-center turbo spin-echo MRI and evaluated on three datasets representing cross-sequence, cross-center, and cross-nation shifts. Biometry accuracy was assessed using mean absolute error (MAE) and the percentage of correct measurements within 4 mm. A web-based reporting platform mapped measurements onto normative growth trajectories and was evaluated against radiologists in four multicenter disease cohorts covering germinal matrix-intraventricular hemorrhage, ventriculomegaly, and cerebellar abnormality. Across all three target datasets, BioTTA outperformed auto-SVRTK, source-only models, and FetalSynthGen, while matching models finetuned with target labels. MAEs ranged from 1.10 to 1.46 mm with a convolutional backbone and from 1.46 to 2.25 mm with a transformer backbone. Diagnostic accuracy ranged from 82.1% to 95.0%, comparable to a senior radiologist. BioTTA supports accurate, generalizable fetal brain biometry and standardized prenatal brain growth assessment across heterogeneous MRI sources.
• Abstract（参考訳）: 先天性脳腫瘍の診断には、MRIの信頼性の高い胎児脳バイオメトリーが不可欠であるが、人工知能モデルはドメインシフトによって精度が低下することが多い。 そこで我々は,BioTTAを開発した。BioTTAはバックボーンに依存しない,ソース不要で教師なしなテスト時間適応フレームワークで,事前学習したモデルを個々の未ラベルのターゲットボリュームにオンラインで適応させる。 この回顧的マルチコホート研究は、20～39週で394個の3D胎児脳MRIボリュームを再構成し、11個の生体計測値が放射線医によって注釈された。 BioTTAは単心式ターボスピンエコMRIを用いて開発され、クロスシーケンス、クロスセンター、クロスネーションシフトを表す3つのデータセットで評価された。 バイオメトリの精度は平均絶対誤差(MAE)と4mm以内の正確な測定率を用いて評価した。 Webベースの報告プラットフォームは, 正常な成長軌跡にマッピングし, 胚性マトリックス-心室出血, 腹腔鏡下, 小脳異常を対象とする4つの多施設疾患コホートにおいて, 放射線技師に対して評価した。 3つのターゲットデータセット全体で、BioTTAは自動SVRTK、ソースのみのモデル、FetalSynthGenを上回り、マッチングモデルはターゲットラベルで微調整された。 MAEの背骨は1.10mmから1.46mm、背骨は1.46mmから2.25mmであった。 診断精度は82.1%から95.0%までで、放射線医に匹敵する。 BioTTAは、正確な、一般化可能な胎児脳のバイオメトリーをサポートし、異種MRIソース間で出生前脳の成長評価を標準化している。

関連論文リスト

• A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data [50.52606847963128]
  我々は、世界保健機関(WHO)の脳腫瘍タイプを分類するためにBrainVLMを開発した。 BrainVLMは40,043人のマルチモーダルデータ(MRIスキャン、人口統計学、放射線学)で訓練された。 病理組織学的に確認された脳腫瘍5,211例についてBrainVLMを施行した。
  論文  参考訳（メタデータ） (2026-09-15T03:46:03Z)
• Automated Fetal Brain MRI Biometry in Healthy and Pathological Cases [0.0]
  我々は,NeSVoRを再構成した3Dボリューム上に22の解剖学的ランドマークを局在させる自動バイオメトリック分析パイプラインを評価した。 我々は,H3DE-NetとSCNの2つのランドマークローカライゼーションモデルを,122件の買収の異種コホート上で比較した。
  論文  参考訳（メタデータ） (2026-08-16T11:48:58Z)
• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
  3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。 進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。 オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。 モデルはアトラスベース登録アルゴリズムの12倍高速であった。
  論文  参考訳（メタデータ） (2025-03-26T17:03:46Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• MRI-based classification of IDH mutation and 1p/19q codeletion status of gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
  グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。 我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。 2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
  論文  参考訳（メタデータ） (2022-10-07T18:46:39Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Automatic linear measurements of the fetal brain on MRI with deep neural networks [3.48517618410801]
  本研究の目的は、胎児脳MRIを用いたCBD, BBD, TCDの完全自動計測法を開発することである。 1) 異方性3次元U-Net分類器を用いた胎児脳を含む興味領域の計算,2) 畳み込みニューラルネットワークによる参照スライス選択,3) 胎児脳中矢状線と胎児脳の向きの計算,5) 計測の計算である。
  論文  参考訳（メタデータ） (2021-06-15T14:20:11Z)

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。