論文の概要: VesselRW: Weakly Supervised Subcutaneous Vessel Segmentation via Learned Random Walk Propagation

• arxiv url: http://arxiv.org/abs/2508.06819v1
• Date: Sat, 09 Aug 2025 04:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.56485
• Title: VesselRW: Weakly Supervised Subcutaneous Vessel Segmentation via Learned Random Walk Propagation
• Title（参考訳）: VesselRW:学習ランダムウォーク伝播による皮下血管分画の急激な改善
• Authors: Ayaan Nooruddin Siddiqui, Mahnoor Zaidi, Ayesha Nazneen Shahbaz, Priyadarshini Chatterjee, Krishnan Menon Iyer,
• Abstract要約: 皮下血管セグメンテーションに特化した弱教師付きトレーニングフレームワークを提案する。 臨床皮下画像データセットを用いた実験では, スパースラベルと従来型の濃密な擬似ラベルによるナイーブトレーニングを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of subcutaneous vessels from clinical images is hampered by scarce, expensive ground truth and by low contrast, noisy appearance of vessels across patients and modalities. We present a novel weakly supervised training framework tailored for subcutaneous vessel segmentation that leverages inexpensive sparse annotations (e.g., centerline traces, dot markers, or short scribbles). Sparse labels are expanded into dense, probabilistic supervision via a differentiable random walk label propagation model whose transition weights incorporate image driven vesselness cues and tubular continuity priors. The propagation yields per-pixel hitting probabilities together with calibrated uncertainty estimates; these are incorporated into an uncertainty weighted loss to avoid over fitting to ambiguous regions. Crucially, the label-propagator is learned jointly with a CNN based segmentation predictor, enabling the system to discover vessel edges and continuity constraints without explicit edge supervision. We further introduce a topology aware regularizer that encourages centerline connectivity and penalizes spurious branches, improving clinical usability. In experiments on clinical subcutaneous imaging datasets, our method consistently outperforms naive training on sparse labels and conventional dense pseudo-labeling, producing more complete vascular maps and better calibrated uncertainty for downstream decision making. The approach substantially reduces annotation burden while preserving clinically relevant vessel topology.
• Abstract（参考訳）: 臨床像からの皮下血管の正確なセグメンテーションは, 希少で高価で, 低コントラスト, 患者, モダリティ間の血管のノイズの出現によって妨げられる。 安価なスパースアノテーション(センターライントレース,ドットマーカー,ショートスクリブルなど)を活用する皮下血管セグメンテーションに適した,より弱い教師付きトレーニングフレームワークを提案する。 スパースラベルは、画像駆動型血管性キューと管状連続性前の遷移重みを組み込んだ可変ランダムウォークラベル伝搬モデルにより、密度の高い確率的監視へと拡張される。 伝播は画素当たりの衝突確率とキャリブレーションされた不確実性推定を伴い、不明瞭な領域に収まることを避けるために不確実な重み付き損失に組み込む。 重要なことに、ラベルプロパゲータはCNNベースのセグメンテーション予測器と共同で学習され、明示的なエッジ監督なしに血管のエッジと連続性制約を発見することができる。 さらに,中心線接続を促進するトポロジカルレギュレータを導入し,突発枝を罰し,臨床応用性を向上させる。 臨床皮下画像データセットを用いた実験では, スパースラベルや従来より密集した擬似ラベルによるナイーブトレーニングを一貫して上回り, より完全な血管地図が作成され, 下流の意思決定における不確かさの校正精度が向上した。 このアプローチは、臨床的に関係のある血管のトポロジーを維持しながら、アノテーションの負担を大幅に軽減する。

関連論文リスト

• Improve Retinal Artery/Vein Classification via Channel Couplin [12.219907282789285]
  本稿では,血管,動脈,静脈のコヒーレンスと整合性を確保するために,Channel-Coupled Vessel Consistency Lossという新たな損失を提案する。 また、画像内画素レベルのコントラスト損失という正規化用語を導入し、より識別性の高い特徴レベルの微粒化表現を抽出する。 SOTAの結果は、RITE、LES-AV、HRFを含む3つのパブリックA/V分類データセットで達成されている。
  論文  参考訳（メタデータ） (2025-07-31T18:43:02Z)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• Boundary-weighted logit consistency improves calibration of segmentation networks [6.980357450216633]
  また,ロジット整合性は,不明瞭なラベルを持つ画素における過信予測を防止し,空間的に変化する正則化器として機能することを示す。 この正則化器の境界重み付き拡張は、前立腺と心臓のMRIセグメンテーションの最先端のキャリブレーションを提供する。
  論文  参考訳（メタデータ） (2023-07-16T22:13:28Z)
• 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)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
  病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。 本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。 本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-08-01T07:28:32Z)
• Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
  本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。 提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-31T06:55:43Z)
• Spatially Varying Label Smoothing: Capturing Uncertainty from Expert Annotations [19.700271444378618]
  画像分割のタスクは、解剖学的構造間の境界の正確な位置に関する曖昧さのために本質的に騒々しい。 我々は、この情報は専門家のアノテーションから余分なコストで抽出することができ、ソフト確率予測と基礎となる不確実性の間の校正を改善することができると論じる。 そこで我々は,アウトプット予測の校正に有効であることを示す基底真理ラベルの'blurred'バージョン上でネットワークをトレーニングするラベル平滑化(ls)を構築した。
  論文  参考訳（メタデータ） (2021-04-12T19:35:51Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。