超音波専用の自己 Supervised 学習を活用した胎児画像で巣胞腫の検出改善

巣胞腫は難ありとされる胎児超音波判別の発見が、子宮内での Chromosomal abnormalities、構造的な障害および妊娠リスクがある可能性が高い。自動的な検出しを増大させることが再現性を高め、スケーラブルで初期のスクリーニングプログラムを支援できるが、監 labelデータセットの限られた数量によって制限される Supervised 関連した深層学習法による分析です。 この研究は、第一 trimester での超音波画像に特化された自力学習先行トレーナーが、今回使用された巣胞腫と正常なコントロールの二つのクラスで正確で Robust 深い学習検出を促進可能かどうかを確認しています。我々は USF-MAE に Masked Autoencoding を用いて、上記の目的向けに超音波画像の予測モデルを Fine-tunes しました。USF-MAEは DenseNet-169 ベセススバイバルと同等あるいはそれ以上性能でした。平均正確:0.96、感度:0.94、特異性:0.98、ROC-AUC 情報:0.98に対して DenseNet-169 基板は 0.93、0.92、0.94、0.94。Qualitative Score-CAMの画像化でモデル推定が Clinical relevance を示しました。これにより、両方の 正と負 のケースに対して子宮内の胎児首部での期待される場所を強調した。Willoxon 統計法を使用してペア付された比較に応じて、USF-MAE によって達成されたパフォーマンス上の改善は統計的に有意であり(p = 0.0057)。

arXiv:2512.22730v2 Announce Type: cross Abstract: Cystic hygroma is a high-risk prenatal ultrasound finding that portends high rates of chromosomal abnormalities, structural malformations, and adverse pregnancy outcomes. Automated detection can increase reproducibility and support scalable early screening programs, but supervised deep learning methods are limited by small labelled datasets. This study assesses whether ultrasound-specific self-supervised pretraining can facilitate accurate, robust deep learning detection of cystic hygroma in first-trimester ultrasound images. We fine-tuned the Ultrasound Self-Supervised Foundation Model with Masked Autoencoding (USF-MAE), pretrained on over 370,000 unlabelled ultrasound images, for binary classification of normal controls and cystic hygroma cases used in this study. Performance was evaluated on the same curated ultrasound dataset, preprocessing pipeline, and 4-fold cross-validation protocol as for the DenseNet-169 baseline, using accuracy, sensitivity, specificity, and the area under the receiver operating characteristic curve (ROC-AUC). Model interpretability was analyzed qualitatively using Score-CAM visualizations. USF-MAE outperformed the DenseNet-169 baseline on all evaluation metrics. The proposed model yielded a mean accuracy of 0.96, sensitivity of 0.94, specificity of 0.98, and ROC-AUC of 0.98 compared to 0.93, 0.92, 0.94, and 0.94 for the DenseNet-169 baseline, respectively. Qualitative Score-CAM visualizations of model predictions demonstrated clinical relevance by highlighting expected regions in the fetal neck for both positive and negative cases. Paired statistical analysis using a Wilcoxon signed-rank test confirmed that performance improvements achieved by USF-MAE were statistically significant (p = 0.0057).