論文の概要: Do Segmentation Models Understand Vascular Structure? A Blob-Based XAI Framework
- arxiv url: http://arxiv.org/abs/2504.11469v1
- Date: Fri, 11 Apr 2025 12:42:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-17 14:40:25.555912
- Title: Do Segmentation Models Understand Vascular Structure? A Blob-Based XAI Framework
- Title（参考訳）: 血管構造を理解するセグメンテーションモデル : ブロブベースのXAIフレームワーク
- Authors: Guillaume Garret, Antoine Vacavant, Carole Frindel,
- Abstract要約: 深層学習モデルは、医用画像のセグメンテーションにおいて素晴らしいパフォーマンスを達成したが、そのブラックボックスの性質は臨床応用を制限している。
本稿では,勾配に基づく属性とグラフ誘導点選択を組み合わせた3次元血管セグメンテーションのための新しい説明可能性パイプラインを提案する。
本研究は,構造的説明可能性ツールの重要性を概説し,大域的血管コンテキストの把握におけるセグメンテーションモデルの限界を浮き彫りにした。
- 参考スコア（独自算出の注目度）: 0.3277163122167433
- License:
- Abstract: Deep learning models have achieved impressive performance in medical image segmentation, yet their black-box nature limits clinical adoption. In vascular applications, trustworthy segmentation should rely on both local image cues and global anatomical structures, such as vessel connectivity or branching. However, the extent to which models leverage such global context remains unclear. We present a novel explainability pipeline for 3D vessel segmentation, combining gradient-based attribution with graph-guided point selection and a blob-based analysis of Saliency maps. Using vascular graphs extracted from ground truth, we define anatomically meaningful points of interest (POIs) and assess the contribution of input voxels via Saliency maps. These are analyzed at both global and local scales using a custom blob detector. Applied to IRCAD and Bullitt datasets, our analysis shows that model decisions are dominated by highly localized attribution blobs centered near POIs. Attribution features show little correlation with vessel-level properties such as thickness, tubularity, or connectivity -- suggesting limited use of global anatomical reasoning. Our results underline the importance of structured explainability tools and highlight the current limitations of segmentation models in capturing global vascular context.
- Abstract（参考訳）: 深層学習モデルは、医用画像のセグメンテーションにおいて素晴らしいパフォーマンスを達成したが、そのブラックボックスの性質は臨床応用を制限している。
血管アプリケーションでは、信頼できるセグメンテーションは、局所的なイメージキューと、血管接続や分岐のようなグローバルな解剖学的構造の両方に依存するべきである。
しかし、そのようなグローバルな文脈をモデルがどの程度活用するかは、いまだに不明である。
本稿では,勾配に基づく属性とグラフ誘導点選択を組み合わせた3次元血管セグメンテーションのための新しい説明可能性パイプラインと,Blob-based analysis of Saliency mapを提案する。
地中真理から抽出した血管グラフを用いて,解剖学的に有意な関心点(POIs)を定義し,サリエンシマップによる入力ボクセルの寄与を評価する。
これらは、カスタムブロブ検出器を用いて、グローバルスケールとローカルスケールの両方で分析される。
IRCADとBullittのデータセットに応用すると、モデル決定はPOIに近い高度に局所化された帰属ブロックに支配されていることが分かる。
属性の特徴は、厚み、管状性、接続性などの血管レベルの特性とはほとんど相関しない。
本研究は,構造的説明可能性ツールの重要性を概説し,大域的血管コンテキストの把握におけるセグメンテーションモデルの限界を浮き彫りにした。
関連論文リスト
- Pitfalls of topology-aware image segmentation [81.19923502845441]
我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。
本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
論文 参考訳（メタデータ） (2024-12-19T08:11:42Z) - Optimized Vessel Segmentation: A Structure-Agnostic Approach with Small Vessel Enhancement and Morphological Correction [7.882674026364302]
マルチモーダル血管セグメンテーションのための小型血管拡張と形態的補正を取り入れた構造診断手法を提案する。
本手法は,より優れたセグメンテーション精度,一般化,34.6%の接続性向上を実現し,臨床応用の可能性を強調した。
論文 参考訳（メタデータ） (2024-11-22T08:38:30Z) - KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - 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) - Fitting tree model with CNN and geodesics to track vesselsand
application to Ultrasound Localization Microscopy data [5.1082516810678396]
我々は超音波局在顕微鏡(ULM)データに基づく追跡を行うモデルを構築した。
また、合成眼底データについても検討した。
以上の結果から,有意な注釈付きUDMデータの不足は,血管のランドマークの局在に障害があることが示唆された。
論文 参考訳（メタデータ） (2023-11-13T09:25:03Z) - GAEI-UNet: Global Attention and Elastic Interaction U-Net for Vessel
Image Segmentation [0.0]
血管画像のセグメンテーションは、血管疾患の早期発見と治療を支援する医療診断において重要な役割を担っている。
本稿では,グローバルアテンションと弾性相互作用に基づく手法を組み合わせた新しいモデルGAEI-UNetを提案する。
ターゲット形状と予測形状のずれによって生じる力を捕捉することにより,本モデルでは,容器ネットワークの正確なトポロジを効果的に学習する。
論文 参考訳（メタデータ） (2023-08-16T13:10:32Z) - The Topology-Overlap Trade-Off in Retinal Arteriole-Venule Segmentation [0.0]
畳み込みニューラルネットワークは 予測と専門家のアノテーションの 高い重複を達成できる
オーバーラップの観点から,本モデルが最先端技術と同等の結果を得られることを示す。
論文 参考訳（メタデータ） (2023-03-31T13:01:05Z) - Automated Coronary Arteries Labeling Via Geometric Deep Learning [13.515293812745343]
血管造影検査から得られた3次元座標データによく適合する直感的なグラフ表現法を提案する。
その後、幾何学的深層学習を用いて対象別グラフの分析を試みる。
提案モデルでは,141例の専門的アノテートラベルを用いて,各冠動脈セグメントの表現を学習し,訓練データにおける解剖学的変動の影響を捉えた。
論文 参考訳（メタデータ） (2022-12-01T09:31:08Z) - 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) - A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文 参考訳（メタデータ） (2020-10-23T07:58:20Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z)
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。