論文の概要: Hessian-based lightweight neural network for brain vessel segmentation on a minimal training dataset
- arxiv url: http://arxiv.org/abs/2508.15660v1
- Date: Thu, 21 Aug 2025 15:45:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-22 16:26:46.391108
- Title: Hessian-based lightweight neural network for brain vessel segmentation on a minimal training dataset
- Title（参考訳）: 最小限のトレーニングデータセットを用いた脳血管セグメンテーションのためのヘッセン系軽量ニューラルネットワーク
- Authors: Alexandra Bernadotte, Elfimov Nikita, Mikhail Shutov, Ivan Menshikov,
- Abstract要約: 我々は、IXIデータセット(注釈付き200画像)に基づいて、半手動で注釈付き脳血管画像データセットを作成する。
データセットはhttps://git.scinalytics.com/terilat/VesselDatasetPartlyで公開されている。
- 参考スコア（独自算出の注目度）: 41.94295877935867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate segmentation of blood vessels in brain magnetic resonance angiography (MRA) is essential for successful surgical procedures, such as aneurysm repair or bypass surgery. Currently, annotation is primarily performed through manual segmentation or classical methods, such as the Frangi filter, which often lack sufficient accuracy. Neural networks have emerged as powerful tools for medical image segmentation, but their development depends on well-annotated training datasets. However, there is a notable lack of publicly available MRA datasets with detailed brain vessel annotations. To address this gap, we propose a novel semi-supervised learning lightweight neural network with Hessian matrices on board for 3D segmentation of complex structures such as tubular structures, which we named HessNet. The solution is a Hessian-based neural network with only 6000 parameters. HessNet can run on the CPU and significantly reduces the resource requirements for training neural networks. The accuracy of vessel segmentation on a minimal training dataset reaches state-of-the-art results. It helps us create a large, semi-manually annotated brain vessel dataset of brain MRA images based on the IXI dataset (annotated 200 images). Annotation was performed by three experts under the supervision of three neurovascular surgeons after applying HessNet. It provides high accuracy of vessel segmentation and allows experts to focus only on the most complex important cases. The dataset is available at https://git.scinalytics.com/terilat/VesselDatasetPartly.
- Abstract（参考訳）: 脳磁気共鳴血管造影(MRA)における血管の正確なセグメンテーションは、動脈瘤の修復やバイパス手術などの外科手術の成功に不可欠である。
現在、アノテーションは主に手動のセグメンテーションやフランジフィルタのような古典的な手法で実行されており、精度が十分でないことが多い。
ニューラルネットワークは、医用画像セグメンテーションの強力なツールとして登場したが、その開発は、十分に注釈付けされたトレーニングデータセットに依存している。
しかし、詳細な脳血管アノテーションを備えたMRAデータセットが公開されていないことは注目すべきである。
このギャップに対処するため,我々はヘッセン行列を用いた半教師付き軽量ニューラルネットワークを提案し,HessNetと命名した管状構造などの複雑な構造の3次元セグメント化について検討した。
このソリューションは、6000のパラメータしか持たないHessianベースのニューラルネットワークである。
HessNetはCPU上で動作し、ニューラルネットワークのトレーニングに必要なリソースを大幅に削減する。
最小限のトレーニングデータセットにおける血管のセグメンテーションの精度は、最先端の結果に達する。
IXIデータセット(注釈付き200の画像)に基づいて、脳のMRA画像の、手動で注釈付けされた大きな脳血管データセットを作成するのに役立ちます。
HessNetを応用した後,3人の神経血管外科医の監督のもと,3人の専門家が注釈を行った。
船体セグメンテーションの精度が高く、専門家は最も複雑なケースにのみ焦点を合わせることができる。
データセットはhttps://git.scinalytics.com/terilat/VesselDatasetPartlyで公開されている。
関連論文リスト
- 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) - UNet#: A UNet-like Redesigning Skip Connections for Medical Image
Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。
提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文 参考訳（メタデータ） (2022-05-24T03:40:48Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Self-Supervised Learning for Segmentation [3.8026993716513933]
腎臓の解剖学的非対称性は、自己教師付き学習による腎臓分画の効果的なプロキシタスクを定義するために利用される。
siamese convolutional neural network (cnn)は、与えられた1対の腎臓切片をctボリュームから同一または異なる側面の腎臓に分類するために使用される。
論文 参考訳（メタデータ） (2021-01-14T04:28:47Z) - Revisiting Rubik's Cube: Self-supervised Learning with Volume-wise
Transformation for 3D Medical Image Segmentation [27.84323872782403]
本稿では,ボリューム医療画像のための新しい自己教師型学習フレームワークを提案する。
具体的には,Rubikの立方体++を事前学習した3Dニューラルネットワークに対して,コンテキスト復元タスクを提案する。
ゼロからトレーニングする戦略と比較すると、Rubikの立方体++の事前トレーニングによる微調整により、パフォーマンスが向上する。
論文 参考訳（メタデータ） (2020-07-17T08:53:53Z) - Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。
ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文 参考訳（メタデータ） (2020-06-20T17:56:46Z) - Embedding Task Knowledge into 3D Neural Networks via Self-supervised
Learning [21.902313057142905]
自己教師付き学習(SSL)は、アノテーション付きデータの潜在的な解決策である。
我々は,3次元医用画像分類,すなわちタスク関連コントラスト予測符号化(TCPC)のための新しいSSL手法を提案する。
TCPCは、タスク知識を3Dニューラルネットワークのトレーニングに組み込む。
論文 参考訳（メタデータ） (2020-06-10T12:37:39Z) - MixNet: Multi-modality Mix Network for Brain Segmentation [8.44876865136712]
MixNetは2Dのセマンティックワイド・ディープ畳み込みニューラルネットワークで、MRI画像の脳構造を分割する。
MixNetv2はMICCAI 2018でMRBrainSチャレンジに応募し、3ラベルタスクで3位を獲得した。
論文 参考訳（メタデータ） (2020-04-21T08:55:55Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。