論文の概要: Synthetic Data for Blood Vessel Network Extraction

• arxiv url: http://arxiv.org/abs/2504.11858v1
• Date: Wed, 16 Apr 2025 08:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:39:38.842928
• Title: Synthetic Data for Blood Vessel Network Extraction
• Title（参考訳）: 血管網抽出のための合成データ
• Authors: Joël Mathys, Andreas Plesner, Jorel Elmiger, Roger Wattenhofer,
• Abstract要約: 脳内の血管ネットワークは脳卒中研究において重要な役割を担っている。 顕微鏡データから 詳細なトポロジカル血管網情報を抽出することは 重要な課題です この研究は、合成データ生成とディープラーニングを組み合わせることで、体積顕微鏡データから容器ネットワークをグラフとして抽出する。
• 参考スコア（独自算出の注目度）: 18.95453617434051
• License:
• Abstract: Blood vessel networks in the brain play a crucial role in stroke research, where understanding their topology is essential for analyzing blood flow dynamics. However, extracting detailed topological vessel network information from microscopy data remains a significant challenge, mainly due to the scarcity of labeled training data and the need for high topological accuracy. This work combines synthetic data generation with deep learning to automatically extract vessel networks as graphs from volumetric microscopy data. To combat data scarcity, we introduce a comprehensive pipeline for generating large-scale synthetic datasets that mirror the characteristics of real vessel networks. Our three-stage approach progresses from abstract graph generation through vessel mask creation to realistic medical image synthesis, incorporating biological constraints and imaging artifacts at each stage. Using this synthetic data, we develop a two-stage deep learning pipeline of 3D U-Net-based models for node detection and edge prediction. Fine-tuning on real microscopy data shows promising adaptation, improving edge prediction F1 scores from 0.496 to 0.626 by training on merely 5 manually labeled samples. These results suggest that automated vessel network extraction is becoming practically feasible, opening new possibilities for large-scale vascular analysis in stroke research.
• Abstract（参考訳）: 脳血管ネットワークは脳卒中研究において重要な役割を担い、そのトポロジを理解することは血流の動態を分析するのに不可欠である。 しかしながら、顕微鏡データから詳細なトポロジカル血管網情報を抽出することは、ラベル付きトレーニングデータの不足と、高いトポロジカル精度の必要性から、大きな課題である。 この研究は、合成データ生成とディープラーニングを組み合わせることで、体積顕微鏡データから容器ネットワークをグラフとして抽出する。 データ不足に対処するために,実血管ネットワークの特徴を反映した大規模合成データセットを生成するための包括的なパイプラインを導入する。 我々の3段階のアプローチは、抽象グラフ生成から、容器マスク生成から現実的な医用画像合成へと発展し、それぞれの段階における生物学的制約とイメージングアーティファクトを取り入れています。 この合成データを用いて,ノード検出とエッジ予測のための3次元U-Netモデルを用いた2段階のディープラーニングパイプラインを構築した。 実際の顕微鏡データの微調整は、有望な適応を示し、手動でラベル付けされた5つのサンプルのトレーニングによって、エッジ予測F1スコアを0.496から0.626に改善する。 以上の結果から,脳卒中研究における血管網の自動抽出が実現可能であることが示唆された。

関連論文リスト

• High-Resolution Detection of Earth Structural Heterogeneities from Seismic Amplitudes using Convolutional Neural Networks with Attention layers [0.31457219084519]
  本稿では,CNN(Convolutional Neural Networks)とアテンション層を組み合わせた構造的不均一性検出のための効率的で費用対効果の高いアーキテクチャを提案する。 我々のモデルは最先端技術と比較して半分のパラメータを持ち、IoU(Intersection over Union)では0.6%、精度は0.4%という従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-04-15T22:49:37Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• VesselVAE: Recursive Variational Autoencoders for 3D Blood Vessel Synthesis [0.879967413208593]
  血管の3次元形状を合成するためのデータ駆動型生成フレームワークを提案する。 VesselVAEは、容器の階層構造を完全に活用し、低次元多様体を学ぶ。 我々は、正確で多様な血管の3Dモデルを生成し、医療や外科訓練、血行動態シミュレーション、その他多くの目的に欠かせない。
  論文  参考訳（メタデータ） (2023-07-07T13:35:48Z)
• 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)
• Extremely weakly-supervised blood vessel segmentation with physiologically based synthesis and domain adaptation [7.107236806113722]
  腎機能の正確な解析とモデリングには、腎血管の正確なセグメンテーションが必要である。 ディープラーニングに基づく手法は、自動血管セグメンテーションにおける最先端のパフォーマンスを示している。 人工腎血管を生理的にシミュレートし,無ラベルスキャンで生成モデルを訓練する。 本モデルは,ラット腎の3次元微小CTスキャンと2次元網膜画像における概念実証実験の両方において,血管を直接スキャンし,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-05-26T16:01:49Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Physical model simulator-trained neural network for computational 3D phase imaging of multiple-scattering samples [1.112751058850223]
  サンプルコントラストを均質化する新しいモデルベースデータ正規化前処理法を開発した。 上皮扁平上皮細胞およびCaenorhabditis elegans wormsの実験的測定におけるこのフレームワークの能力を示す。
  論文  参考訳（メタデータ） (2021-03-29T17:43:56Z)
• Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks [58.0240970093372]
  本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。 提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-02-02T12:26:50Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。