Fugu-MT 論文翻訳(概要): Universal Vessel Segmentation for Multi-Modality Retinal Images

論文の概要: Universal Vessel Segmentation for Multi-Modality Retinal Images

arxiv url: http://arxiv.org/abs/2502.06987v4
Date: Thu, 16 Oct 2025 22:15:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-20 15:58:54.301401
Title: Universal Vessel Segmentation for Multi-Modality Retinal Images
Title（参考訳）: 多モード網膜画像のためのユニバーサル血管分割
Authors: Bo Wen, Anna Heinke, Akshay Agnihotri, Dirk-Uwe Bartsch, William Freeman, Truong Nguyen, Cheolhong An,
Abstract要約: 多モード網膜画像のための新しいユニバーサル血管分割モデル(URVSM)を提案する。我々の普遍モデルは最先端の微調整手法に匹敵する性能を示す。
参考スコア（独自算出の注目度）: 6.819274270197336
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We identify two major limitations in the existing studies on retinal vessel segmentation: (1) Most existing works are restricted to one modality, i.e., the Color Fundus (CF). However, multi-modality retinal images are used every day in the study of the retina and diagnosis of retinal diseases, and the study of vessel segmentation on other modalities is scarce; (2) Even though a few works extended their experiments to new modalities such as the Multi-Color Scanning Laser Ophthalmoscopy (MC), these works still require fine-tuning a separate model for the new modality. The fine-tuning will require extra training data, which is difficult to acquire. In this work, we present a novel universal vessel segmentation model (URVSM) for multi-modality retinal images. In addition to performing the study on a much wider range of image modalities, we also propose a universal model to segment the vessels in all these commonly used modalities. While being much more versatile compared with existing methods, our universal model also demonstrates comparable performance to the state-of-the-art fine-tuned methods. To the best of our knowledge, this is the first work that achieves modality-agnostic retinal vessel segmentation and the first to study retinal vessel segmentation in several novel modalities.
Abstract（参考訳）: 網膜血管セグメンテーションに関する既存の研究における2つの大きな限界を同定する: 1) 既存のほとんどの研究は1つのモード、すなわちColor Fundus (CF)に制限されている。しかし、網膜や網膜疾患の診断において、マルチモダリティ網膜像は毎日使われており、他のモダリティに対する血管のセグメンテーションの研究は少ない; (2) 少数の研究が実験をMulti-Color Scanning Laser Ophthalmoscopy (MC)のような新しいモダリティに拡張したものの、これらの研究は依然として新しいモダリティのための別のモデルを微調整する必要がある。微調整には追加のトレーニングデータが必要ですが、取得は困難です。本稿では,多モード網膜画像のための新しいユニバーサル血管分割モデル(URVSM)を提案する。より広い範囲の画像モダリティの研究に加えて、これらの一般的なモダリティの全てに血管を分割する普遍モデルも提案する。既存の手法に比べてはるかに汎用性が高いが、我々の普遍モデルは最先端の微調整手法に匹敵する性能を示す。我々の知る限りでは、これはモジュラリティに依存しない網膜血管セグメンテーションを達成する最初の研究であり、いくつかの新しいモダリティで網膜血管セグメンテーションを研究する最初の研究である。

関連論文リスト

MedMAP: Promoting Incomplete Multi-modal Brain Tumor Segmentation with Alignment [20.358300924109162]
臨床ではMRIの特定のモダリティが欠如している可能性があるため、より困難なシナリオが提示される。知識蒸留、ドメイン適応、共有潜在空間は一般的に有望な戦略として現れている。本稿では,事前学習モデルの置換として,係わるモダリティの潜在的特徴を適切に定義された分布アンカーに整合させる新しいパラダイムを提案する。
論文参考訳（メタデータ） (2024-08-18T13:16:30Z)
Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文参考訳（メタデータ） (2024-03-12T18:12:02Z)
Diagonal Hierarchical Consistency Learning for Semi-supervised Medical Image Segmentation [0.0]
対角的階層的整合学習(DiHC-Net)を用いた半教師付き医用画像セグメンテーションのための新しい枠組みを提案する。同一のマルチスケールアーキテクチャを持つが、アップサンプリング層や正規化層のような異なるサブレイヤを持つ複数のサブモデルで構成されている。簡単なフレームワークの有効性を検証する一連の実験は、臓器と腫瘍をカバーする公開ベンチマークデータセットにおいて、これまでのすべてのアプローチより優れている。
論文参考訳（メタデータ） (2023-11-10T12:38:16Z)
Fundus-Enhanced Disease-Aware Distillation Model for Retinal Disease Classification from OCT Images [6.72159216082989]
OCT画像から網膜疾患分類のための基礎疾患対応蒸留モデルを提案する。本フレームワークは, 未完成の眼底画像を用いて, OCTモデルを訓練中に強化する。提案手法は網膜疾患分類のための単一モーダル,多モーダルおよび最先端蒸留法より優れている。
論文参考訳（メタデータ） (2023-08-01T05:13:02Z)
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)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文参考訳（メタデータ） (2023-01-19T03:42:36Z)
Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-26T21:21:12Z)
Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文参考訳（メタデータ） (2021-07-07T19:06:34Z)
Multimodal Transfer Learning-based Approaches for Retinal Vascular Segmentation [2.672151045393935]
網膜微小循環の研究は、高血圧や糖尿病などの多くの眼疾患および全身疾患の分析において重要な問題です。 FCNはイメージセグメンテーションにおける最も成功したアプローチである。本研究では,網膜血管セグメンテーションに対するマルチモーダルトランスファー学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-12-18T10:38:35Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。