論文の概要: BioVessel-Net and RetinaMix: Unsupervised Retinal Vessel Segmentation from OCTA Images

• arxiv url: http://arxiv.org/abs/2509.23617v1
• Date: Sun, 28 Sep 2025 03:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.330505
• Title: BioVessel-Net and RetinaMix: Unsupervised Retinal Vessel Segmentation from OCTA Images
• Title（参考訳）: BioVessel-Net と RetinaMix: OCTA 画像からの無監督網膜血管分画
• Authors: Cheng Huang, Weizheng Xie, Fan Gao, Yutong Liu, Ruoling Wu, Zeyu Han, Jingxi Qiu, Xiangxiang Wang, Zhenglin Yang, Hao Wang, Yongbin Yu,
• Abstract要約: BioVessel-Netは非教師なしの生成フレームワークであり、船体バイオ統計学と敵対的精錬と半径誘導セグメンテーション戦略を統合している。 2Dおよび3D OCTA画像の新しいベンチマークデータセットであるRetinaMixを紹介した。 BioVessel-Netは、RetinaMixおよび既存のデータセット間でほぼ完璧なセグメンテーション精度を実現し、最先端の教師付きおよび半教師付きメソッドよりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 16.61148063147746
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Structural changes in retinal blood vessels are critical biomarkers for the onset and progression of glaucoma and other ocular diseases. However, current vessel segmentation approaches largely rely on supervised learning and extensive manual annotations, which are costly, error-prone, and difficult to obtain in optical coherence tomography angiography. Here we present BioVessel-Net, an unsupervised generative framework that integrates vessel biostatistics with adversarial refinement and a radius-guided segmentation strategy. Unlike pixel-based methods, BioVessel-Net directly models vascular structures with biostatistical coherence, achieving accurate and explainable vessel extraction without labeled data or high-performance computing. To support training and evaluation, we introduce RetinaMix, a new benchmark dataset of 2D and 3D OCTA images with high-resolution vessel details from diverse populations. Experimental results demonstrate that BioVessel-Net achieves near-perfect segmentation accuracy across RetinaMix and existing datasets, substantially outperforming state-of-the-art supervised and semi-supervised methods. Together, BioVessel-Net and RetinaMix provide a label-free, computationally efficient, and clinically interpretable solution for retinal vessel analysis, with broad potential for glaucoma monitoring, blood flow modeling, and progression prediction. Code and dataset are available: https://github.com/VikiXie/SatMar8.
• Abstract（参考訳）: 網膜血管の構造変化は緑内障や他の眼疾患の発症と進展にとって重要なバイオマーカーである。 しかし、現在の血管セグメンテーションアプローチは、主に教師付き学習と広範囲な手動アノテーションに依存しており、これはコストが高く、エラーを起こし、光学的コヒーレンス・トモグラフィー・アンギオグラフィーでは入手が困難である。 ここでは,非教師型生成フレームワークであるBioVessel-Netについて述べる。 ピクセルベースの手法とは異なり、BioVessel-Netはバイオ統計コヒーレンスで血管構造を直接モデル化し、ラベル付きデータや高性能コンピューティングを使わずに正確で説明可能な血管抽出を実現する。 トレーニングと評価を支援するために,多様な個体群から高解像度の血管情報を持つ2次元および3次元OCTA画像のベンチマークデータセットであるRetinaMixを導入する。 実験により、BioVessel-NetはRetinaMixおよび既存のデータセット間でほぼ完璧なセグメンテーション精度を達成し、最先端の教師付きおよび半教師付き手法を大幅に上回っていることが示された。 BioVessel-NetとRetinaMixは共に、緑内障のモニタリング、血流モデリング、進行予測に幅広い可能性を持つ網膜血管分析のためのラベルのない、計算効率が高く、臨床的に解釈可能なソリューションを提供する。 コードとデータセットは、https://github.com/VikiXie/SatMar8.comで入手できる。

関連論文リスト

• X-GAN: A Generative AI-Powered Unsupervised Model for Main Vessel Segmentation of Glaucoma Screening [11.459516516888966]
  本稿では,OCTA画像から主血管を抽出するAIを用いた非教師付きセグメンテーションモデルであるX-GANを提案する。 X-GANはラベル付きデータや高性能コンピューティングリソースに頼ることなく、100%近いセグメンテーション精度を達成する。
  論文  参考訳（メタデータ） (2025-03-09T19:56:36Z)
• 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)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• The RETA Benchmark for Retinal Vascular Tree Analysis [6.923431677344723]
  網膜血管分析を容易にするために,81個のラベル付き血管マスクを用いた新しいベンチマークRETAを構築した。 データセット構築中に、アノテーション間の変動とアノテーション内の変動を制御しようと試みた。 ユーザは、コンテナセグメンテーションアルゴリズムを開発したり、私たちのデータセットでコンテナセグメンテーションのパフォーマンスを評価したりできます。
  論文  参考訳（メタデータ） (2021-11-23T05:10:38Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
  本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。 提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
  論文  参考訳（メタデータ） (2020-07-18T05:46:47Z)

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。