論文の概要: VasoMIM: Vascular Anatomy-Aware Masked Image Modeling for Vessel Segmentation
- arxiv url: http://arxiv.org/abs/2508.10794v1
- Date: Thu, 14 Aug 2025 16:17:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 22:24:48.403934
- Title: VasoMIM: Vascular Anatomy-Aware Masked Image Modeling for Vessel Segmentation
- Title(参考訳): VasoMIM:血管分割のための血管解剖を意識したマズード画像モデリング
- Authors: De-Xing Huang, Xiao-Hu Zhou, Mei-Jiang Gui, Xiao-Liang Xie, Shi-Qi Liu, Shuang-Yi Wang, Tian-Yu Xiang, Rui-Ze Ma, Nu-Fang Xiao, Zeng-Guang Hou,
- Abstract要約: 我々はX線血管造影のための血管解剖学対応マスクド画像モデリング(VasoMIM)を紹介した。
VasoMIMは、解剖学的知識を事前学習プロセスに統合する。
解剖誘導マスキング戦略と解剖学的整合性損失の2つの相補的な構成要素から構成される。
VasoMIMは3つのデータセットにわたる最先端のパフォーマンスを達成する。
- 参考スコア(独自算出の注目度): 11.157006681644136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate vessel segmentation in X-ray angiograms is crucial for numerous clinical applications. However, the scarcity of annotated data presents a significant challenge, which has driven the adoption of self-supervised learning (SSL) methods such as masked image modeling (MIM) to leverage large-scale unlabeled data for learning transferable representations. Unfortunately, conventional MIM often fails to capture vascular anatomy because of the severe class imbalance between vessel and background pixels, leading to weak vascular representations. To address this, we introduce Vascular anatomy-aware Masked Image Modeling (VasoMIM), a novel MIM framework tailored for X-ray angiograms that explicitly integrates anatomical knowledge into the pre-training process. Specifically, it comprises two complementary components: anatomy-guided masking strategy and anatomical consistency loss. The former preferentially masks vessel-containing patches to focus the model on reconstructing vessel-relevant regions. The latter enforces consistency in vascular semantics between the original and reconstructed images, thereby improving the discriminability of vascular representations. Empirically, VasoMIM achieves state-of-the-art performance across three datasets. These findings highlight its potential to facilitate X-ray angiogram analysis.
- Abstract(参考訳): X線アンギオグラムにおける血管の正確なセグメンテーションは多くの臨床応用に不可欠である。
しかし、注釈付きデータの不足は重要な課題であり、マスク付き画像モデリング(MIM)のような自己教師付き学習(SSL)手法を導入して、大規模なラベルなしデータを利用して転送可能な表現を学習している。
残念なことに、従来のMIMは、血管と背景画素の集団的不均衡のため、しばしば血管解剖を捉えることができず、血管の表現が弱くなる。
そこで本研究では,X線アンギオグラムに適した新しいMIMフレームワークであるVasoMIM(VasoMIM)を紹介し,解剖学的知識を事前学習プロセスに統合する。
具体的には、解剖誘導マスキング戦略と解剖学的整合性損失の2つの相補的な構成要素から構成される。
前者は容器入りパッチを優先的にマスクし、容器関連領域の再構築にモデルを集中させる。
後者は、原画像と再構成画像間の血管意味論の整合性を強化し、血管表現の識別性を向上させる。
経験的に、VasoMIMは3つのデータセットにわたる最先端のパフォーマンスを達成する。
これらの知見はX線アンギオグラム解析を促進する可能性を示している。
関連論文リスト
- DGSSA: Domain generalization with structural and stylistic augmentation for retinal vessel segmentation [17.396365010722423]
網膜血管形態は糖尿病、緑内障、高血圧などの疾患の診断に重要である。
従来のセグメンテーション手法は、トレーニングとテストのデータが同様の分布を共有していると仮定する。
本稿では,網膜血管画像分割のための新しいアプローチ DGSSA を提案する。
論文 参考訳(メタデータ) (2025-01-07T01:47:57Z) - Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-12-10T10:32:09Z) - Spatiotemporal Disentanglement of Arteriovenous Malformations in Digital
Subtraction Angiography [37.44819725897024]
本提案手法は, 船舶の自動分類による臨界情報を強調することにより, デジタルサブトラクション血管造影(DSA)画像シリーズを向上することを目的としている。
本法は, 臨床用DSA画像シリーズを用いて検討し, 動脈と静脈の効率的な鑑別を実証した。
論文 参考訳(メタデータ) (2024-02-15T00:29:53Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - C-DARL: Contrastive diffusion adversarial representation learning for
label-free blood vessel segmentation [39.79157116429435]
本稿では,C-DARLモデルと呼ばれる自己教師型血管分割手法を提案する。
本モデルは,多領域血管データの分布を学習する拡散モジュールと生成モジュールから構成される。
有効性を検証するために、C-DARLは冠動脈血管造影、腹部デジタルサブトラクション血管造影、網膜画像などの様々な血管データセットを用いて訓練される。
論文 参考訳(メタデータ) (2023-07-31T23:09:01Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Diffusion Adversarial Representation Learning for Self-supervised Vessel
Segmentation [36.65094442100924]
医療画像における血管分割は血管疾患の診断と治療計画において重要な課題の1つである。
本稿では,拡散確率モデルと逆学習を併用した新しい拡散逆表現学習(DARL)モデルを提案する。
本手法は血管セグメンテーションにおいて,既存の教師なし・自己教師付き手法を著しく上回っている。
論文 参考訳(メタデータ) (2022-09-29T06:06:15Z) - 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) - RAVIR: A Dataset and Methodology for the Semantic Segmentation and
Quantitative Analysis of Retinal Arteries and Veins in Infrared Reflectance
Imaging [7.316426736150123]
Infrared Reflectance (IR) 画像における網膜動脈と静脈のセグメンテーションのための新しいデータセット RAVIR を提案する。
本稿では,網膜動脈と静脈のセマンティックセグメンテーションのための,新しい深層学習手法を提案する。
本実験は,SegRAVIRの有効性を検証し,最先端モデルと比較して優れた性能を示した。
論文 参考訳(メタデータ) (2022-03-28T17:30:29Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳(メタデータ) (2021-10-11T07:13:26Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z)
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。