FETR: A Weakly Self-Supervised Approach for Fetal Ultrasound Anatomical Detection
Notice bibliographique
Résumé
Weakly supervised object detection (WSOD) is a cutting-edge research field within computer vision that aims to detect objects in images with minimal or incomplete annotations. In this regard, we propose a novel WSOD architecture optimized for fetal ultrasound imaging. The model is designed to leverage the inherent capabilities of the convolutional neural network and the transformers to localize and classify fetal anatomical structures within ultrasound images without requiring extensive annotated datasets. Employing a class-agnostic Fetal Transformer (FETR) for generating high-quality object proposals, our approach integrates a Multiple Instance Learning (MIL) framework to enhance detection sensitivity. We conduct thorough experiments on the FPUS23 dataset, incorporating strategic data augmentation techniques to ensure model robustness while maintaining the diagnostic integrity of the images. The efficacy of our method is demonstrated through extensive evaluations, where it achieves superior performance against state-of-the-art models, not only on the FPUS23 dataset but also on the Fetal Plane DB dataset, showcasing its adaptability to various imaging conditions. The results from our ablation studies further validate the significance of each architectural component, with qualitative results emphasizing the model's precision and reliability. Our work sets the stage for advanced prenatal diagnostics, promising to elevate the standards of fetal health monitoring and care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».