論文の概要: Airway Segmentation Network for Enhanced Tubular Feature Extraction

• arxiv url: http://arxiv.org/abs/2507.06581v1
• Date: Wed, 09 Jul 2025 06:15:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.491302
• Title: Airway Segmentation Network for Enhanced Tubular Feature Extraction
• Title（参考訳）: 管状特徴抽出のための気道セグメンテーションネットワーク
• Authors: Qibiao Wu, Yagang Wang, Qian Zhang,
• Abstract要約: 本研究では,新しい管状特徴抽出ネットワークTfeNetを提案する。 TfeNetは、最初に空間回転変換を適用して線形畳み込みカーネルのサンプリング位置を調整する、方向対応の畳み込み演算を導入した。 1つのパブリックデータセットと2つのデータセットで実施された大規模な実験は、提案したTfeNetがより正確で連続的な気道構造予測を実現していることを示している。
• 参考スコア（独自算出の注目度）: 2.3354223046061016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manual annotation of airway regions in computed tomography images is a time-consuming and expertise-dependent task. Automatic airway segmentation is therefore a prerequisite for enabling rapid bronchoscopic navigation and the clinical deployment of bronchoscopic robotic systems. Although convolutional neural network methods have gained considerable attention in airway segmentation, the unique tree-like structure of airways poses challenges for conventional and deformable convolutions, which often fail to focus on fine airway structures, leading to missed segments and discontinuities. To address this issue, this study proposes a novel tubular feature extraction network, named TfeNet. TfeNet introduces a novel direction-aware convolution operation that first applies spatial rotation transformations to adjust the sampling positions of linear convolution kernels. The deformed kernels are then represented as line segments or polylines in 3D space. Furthermore, a tubular feature fusion module (TFFM) is designed based on asymmetric convolution and residual connection strategies, enhancing the network's focus on subtle airway structures. Extensive experiments conducted on one public dataset and two datasets used in airway segmentation challenges demonstrate that the proposed TfeNet achieves more accuracy and continuous airway structure predictions compared with existing methods. In particular, TfeNet achieves the highest overall score of 94.95% on the current largest airway segmentation dataset, Airway Tree Modeling(ATM22), and demonstrates advanced performance on the lung fibrosis dataset(AIIB23). The code is available at https://github.com/QibiaoWu/TfeNet.
• Abstract（参考訳）: トモグラフィー画像における気道領域のマニュアルアノテーションは、時間と専門性に依存したタスクである。 したがって,自動気道セグメンテーションは,迅速な気管支鏡ナビゲーションと気管支鏡ロボットシステムの臨床展開を実現するための必須条件である。 畳み込み型ニューラルネットワークは、気道のセグメンテーションにおいて大きな注目を集めているが、気道の独特の木のような構造は、従来型や変形可能なコンボリューションに挑戦し、しばしば細かな気道構造に焦点を絞ることに失敗し、セグメントや不連続性が失われる。 そこで本研究では,新しい管状特徴抽出ネットワークであるTfeNetを提案する。 TfeNetは、最初に空間回転変換を適用して線形畳み込みカーネルのサンプリング位置を調整する、方向対応の畳み込み演算を導入した。 変形したカーネルは3次元空間の線分またはポリラインとして表現される。 さらに、非対称な畳み込みと残留接続戦略に基づいて、管状特徴融合モジュール(TFFM)を設計し、微妙な気道構造にネットワークの焦点を絞った。 1つのパブリックデータセットと2つのデータセットで実施された大規模な実験は、提案したTfeNetが既存の方法と比較して精度が高く、連続的な気道構造予測を実現していることを示している。 特に、TfeNetは、現在最大の気道セグメンテーションデータセットであるAirway Tree Modeling (ATM22)で94.95%の最高スコアを獲得し、肺線維症データセット(AIIB23)で高度なパフォーマンスを示す。 コードはhttps://github.com/QibiaoWu/TfeNetで入手できる。

関連論文リスト

• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Flow reconstruction in time-varying geometries using graph neural networks [1.0485739694839669]
  このモデルは、非常にスパースな入力を処理するための前処理ステップとして、特徴伝搬アルゴリズムを組み込んでいる。 バリデーションマスクとしてバイナリインジケータを導入し、元のデータポイントと伝播データポイントを区別する。 このモデルは、技術的に関係のある運転条件下で、エンジンの直接数値シミュレーション(DNS)のユニークなデータセットに基づいて訓練される。
  論文  参考訳（メタデータ） (2024-11-13T16:49:56Z)
• MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
  本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。 提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2024-10-20T16:42:22Z)
• 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)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• CAINNFlow: Convolutional block Attention modules and Invertible Neural Networks Flow for anomaly detection and localization tasks [28.835943674247346]
  本研究では, CBAMを組み込んだ複雑な関数モデルの設計を行い, 空間構造情報の保持と抽出を効果的に行うことができる。 CAINNFlowは,CNNとTransformerのバックボーンネットワークを特徴抽出器として,高度な精度と推論効率を実現する。
  論文  参考訳（メタデータ） (2022-06-04T13:45:08Z)
• Automated airway segmentation by learning graphical structure [0.76146285961466]
  我々は,既存の畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)に基づく気道セグメンテーションの高度な手法を提唱した。 提案モデルにより,CNN法とGNN法を併用した場合,胸部CTスキャンの気管支をほとんどの症例で検出できることが示唆された。
  論文  参考訳（メタデータ） (2021-09-30T01:37:31Z)
• Crowd Counting via Perspective-Guided Fractional-Dilation Convolution [75.36662947203192]
  本稿では,PFDNetと呼ばれる新しい畳み込みニューラルネットワークを用いた群集カウント手法を提案する。 連続スケールの変動をモデル化することにより、提案したPFDNetは、異なる空間位置に対応するための適切な分数拡張カーネルを選択することができる。 これは、個々の代表スケールのみを考慮した最先端技術の柔軟性を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-08T07:57:00Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。