論文の概要: C-DARL: Contrastive diffusion adversarial representation learning for
label-free blood vessel segmentation
- arxiv url: http://arxiv.org/abs/2308.00193v1
- Date: Mon, 31 Jul 2023 23:09:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 15:59:09.442314
- Title: C-DARL: Contrastive diffusion adversarial representation learning for
label-free blood vessel segmentation
- Title(参考訳): C-DARL:ラベルフリー血管セグメンテーションのためのコントラスト拡散対向表現学習
- Authors: Boah Kim, Yujin Oh, Bradford J. Wood, Ronald M. Summers, Jong Chul Ye
- Abstract要約: 本稿では,C-DARLモデルと呼ばれる自己教師型血管分割手法を提案する。
本モデルは,多領域血管データの分布を学習する拡散モジュールと生成モジュールから構成される。
有効性を検証するために、C-DARLは冠動脈血管造影、腹部デジタルサブトラクション血管造影、網膜画像などの様々な血管データセットを用いて訓練される。
- 参考スコア(独自算出の注目度): 39.79157116429435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Blood vessel segmentation in medical imaging is one of the essential steps
for vascular disease diagnosis and interventional planning in a broad spectrum
of clinical scenarios in image-based medicine and interventional medicine.
Unfortunately, manual annotation of the vessel masks is challenging and
resource-intensive due to subtle branches and complex structures. To overcome
this issue, this paper presents a self-supervised vessel segmentation method,
dubbed the contrastive diffusion adversarial representation learning (C-DARL)
model. Our model is composed of a diffusion module and a generation module that
learns the distribution of multi-domain blood vessel data by generating
synthetic vessel images from diffusion latent. Moreover, we employ contrastive
learning through a mask-based contrastive loss so that the model can learn more
realistic vessel representations. To validate the efficacy, C-DARL is trained
using various vessel datasets, including coronary angiograms, abdominal digital
subtraction angiograms, and retinal imaging. Experimental results confirm that
our model achieves performance improvement over baseline methods with noise
robustness, suggesting the effectiveness of C-DARL for vessel segmentation.
- Abstract(参考訳): 画像診断における血管分画は、画像ベース医療と介入医療の幅広い臨床シナリオにおいて、血管疾患の診断と介入計画に不可欠なステップの1つである。
残念なことに、船体マスクのマニュアルアノテーションは、微妙な枝と複雑な構造のために困難で資源集約的である。
この問題を克服するため,本論文では,コントラスト拡散逆表現学習(c-darl)モデルと呼ばれる自己教師付き容器分割法を提案する。
本モデルは,拡散潜時から合成血管画像を生成することで,多領域血管データの分布を学習する拡散モジュールと生成モジュールから構成される。
さらに,マスクに基づくコントラスト学習を用いて,モデルがより現実的な血管表現を学習できるようにする。
有効性を検証するために、c-darlは冠動脈造影、腹部デジタル下降血管造影、網膜イメージングなど様々な血管データセットを用いて訓練される。
実験の結果, 本モデルは, 騒音ロバスト性を有するベースライン法よりも性能が向上し, c-darlの有効性が示唆された。
関連論文リスト
- KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。
我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。
実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文 参考訳(メタデータ) (2024-09-19T14:21:38Z) - Spatiotemporal Disentanglement of Arteriovenous Malformations in Digital
Subtraction Angiography [37.44819725897024]
本提案手法は, 船舶の自動分類による臨界情報を強調することにより, デジタルサブトラクション血管造影(DSA)画像シリーズを向上することを目的としている。
本法は, 臨床用DSA画像シリーズを用いて検討し, 動脈と静脈の効率的な鑑別を実証した。
論文 参考訳(メタデータ) (2024-02-15T00:29:53Z) - Synthetic optical coherence tomography angiographs for detailed retinal
vessel segmentation without human annotations [12.571349114534597]
本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。
本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
論文 参考訳(メタデータ) (2023-06-19T14:01:47Z) - DiffMIC: Dual-Guidance Diffusion Network for Medical Image
Classification [32.67098520984195]
一般医用画像分類のための拡散モデル(DiffMIC)を提案する。
実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
論文 参考訳(メタデータ) (2023-03-19T09:15:45Z) - Diffusion Adversarial Representation Learning for Self-supervised Vessel
Segmentation [36.65094442100924]
医療画像における血管分割は血管疾患の診断と治療計画において重要な課題の1つである。
本稿では,拡散確率モデルと逆学習を併用した新しい拡散逆表現学習(DARL)モデルを提案する。
本手法は血管セグメンテーションにおいて,既存の教師なし・自己教師付き手法を著しく上回っている。
論文 参考訳(メタデータ) (2022-09-29T06:06:15Z) - RAVIR: A Dataset and Methodology for the Semantic Segmentation and
Quantitative Analysis of Retinal Arteries and Veins in Infrared Reflectance
Imaging [7.316426736150123]
Infrared Reflectance (IR) 画像における網膜動脈と静脈のセグメンテーションのための新しいデータセット RAVIR を提案する。
本稿では,網膜動脈と静脈のセマンティックセグメンテーションのための,新しい深層学習手法を提案する。
本実験は,SegRAVIRの有効性を検証し,最先端モデルと比較して優れた性能を示した。
論文 参考訳(メタデータ) (2022-03-28T17:30:29Z) - Categorical Relation-Preserving Contrastive Knowledge Distillation for
Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。
この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。
CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文 参考訳(メタデータ) (2021-07-07T13:56:38Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳(メタデータ) (2020-10-09T08:22:54Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳(メタデータ) (2020-08-22T07:48:04Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z)
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。