論文の概要: Circle of Willis Centerline Graphs: A Dataset and Baseline Algorithm

• arxiv url: http://arxiv.org/abs/2510.13720v1
• Date: Wed, 15 Oct 2025 16:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.758099
• Title: Circle of Willis Centerline Graphs: A Dataset and Baseline Algorithm
• Title（参考訳）: Willis Centerline Graphsのサークル:データセットとベースラインアルゴリズム
• Authors: Fabio Musio, Norman Juchler, Kaiyuan Yang, Suprosanna Shit, Chinmay Prabhakar, Bjoern Menze, Sven Hirsch,
• Abstract要約: ウィリスのサークル(英: Circle of Willis、略称:CoW)は、脳血管疾患に関係している脳の動脈の重要なネットワークである。 従来の骨格化技術は、しばしばCoWの複雑な幾何学のために信頼性の高い中心線を抽出するのに苦労する。 我々は、TopCoWデータセットから中心線グラフと形態計測特徴を抽出し、キュレートするためにシンニングベースのスケルトン化アルゴリズムを使用した。
• 参考スコア（独自算出の注目度）: 3.2534542702805953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Circle of Willis (CoW) is a critical network of arteries in the brain, often implicated in cerebrovascular pathologies. Voxel-level segmentation is an important first step toward an automated CoW assessment, but a full quantitative analysis requires centerline representations. However, conventional skeletonization techniques often struggle to extract reliable centerlines due to the CoW's complex geometry, and publicly available centerline datasets remain scarce. To address these challenges, we used a thinning-based skeletonization algorithm to extract and curate centerline graphs and morphometric features from the TopCoW dataset, which includes 200 stroke patients, each imaged with MRA and CTA. The curated graphs were used to develop a baseline algorithm for centerline and feature extraction, combining U-Net-based skeletonization with A* graph connection. Performance was evaluated on a held-out test set, focusing on anatomical accuracy and feature robustness. Further, we used the extracted features to predict the frequency of fetal PCA variants, confirm theoretical bifurcation optimality relations, and detect subtle modality differences. The baseline algorithm consistently reconstructed graph topology with high accuracy (F1 = 1), and the average Euclidean node distance between reference and predicted graphs was below one voxel. Features such as segment radius, length, and bifurcation ratios showed strong robustness, with median relative errors below 5% and Pearson correlations above 0.95. Our results demonstrate the utility of learning-based skeletonization combined with graph connection for anatomically plausible centerline extraction. We emphasize the importance of going beyond simple voxel-based measures by evaluating anatomical accuracy and feature robustness. The dataset and baseline algorithm have been released to support further method development and clinical research.
• Abstract（参考訳）: ウィリスのサークル(英: Circle of Willis、略称:CoW)は、脳血管疾患に関係している脳の動脈の重要なネットワークである。 ボクセルレベルのセグメンテーションは、自動化されたCoWアセスメントに向けた重要な第一歩であるが、完全な定量的分析には中心線表現が必要である。 しかしながら、従来の骨格化技術は、CoWの複雑な幾何学のために信頼性の高い中心線を抽出するのに苦労することが多く、一般に利用可能な中心線データセットは少ないままである。 これらの課題に対処するために、我々はシンニングベースのスケルトン化アルゴリズムを使用して、TopCoWデータセットから中心線グラフと形態計測的特徴を抽出し、キュレートした。 キュレートされたグラフは、中心線と特徴抽出のためのベースラインアルゴリズムを開発し、U-Netベースのスケルトン化とA*グラフ接続を組み合わせた。 解剖学的精度と特徴的堅牢性に焦点をあてて、ホールドアウトテストセットで性能を評価した。 さらに、抽出した特徴を用いて胎児PCA変異の頻度を予測し、理論的分岐最適性関係を確認し、微妙なモダリティ差を検出する。 ベースラインアルゴリズムは高い精度で連続的にグラフトポロジーを再構成し(F1 = 1)、基準グラフと予測グラフの間の平均ユークリッドノード距離は1ボクセル以下であった。 セグメント半径,長さ,分岐率などの特徴は強い強靭性を示し,5%未満の相対誤差と0.95以上のピアソン相関を示した。 本研究は,解剖学的に妥当な中心線抽出のためのグラフ接続と学習ベーススケルトン化の有用性を示した。 我々は,解剖学的精度と特徴的堅牢性を評価することで,単純なボクセル測定を超えることの重要性を強調した。 このデータセットとベースラインアルゴリズムは、さらなるメソッド開発と臨床研究を支援するためにリリースされた。

関連論文リスト

• Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
  深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。 本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
  論文  参考訳（メタデータ） (2025-08-24T10:44:24Z)
• Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
  心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。 本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
  論文  参考訳（メタデータ） (2025-04-27T16:43:52Z)
• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• HCA-Net: Hierarchical Context Attention Network for Intervertebral Disc Semantic Labeling [3.485615723221064]
  本稿では,IVDのセマンティックラベリングのための新しいコンテキストアテンションネットワークアーキテクチャであるHCA-Netを提案する。 本手法は,脊髄内の複雑な空間的関係を捉えるために,様々なスケールの処理機能を強化し,効果的に統合する。 さらに, 骨格損失項を導入し, モデルが脊椎への幾何学的依存を強くする。
  論文  参考訳（メタデータ） (2023-11-21T09:58:39Z)
• RibSeg v2: A Large-scale Benchmark for Rib Labeling and Anatomical Centerline Extraction [49.715490897822264]
  バイナリリブセグメンテーションタスクの以前のデータセット(RibSeg)を、RibSeg v2という包括的なベンチマークに拡張しています。 RibSeg v2に基づいて,リブラベリングのための深層学習に基づく手法と,中心線抽出のためのスケルトン化に基づく手法を含むパイプラインを開発する。
  論文  参考訳（メタデータ） (2022-10-18T00:55:37Z)
• Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound [5.597394612661975]
  本研究では,左心室分画予測と左心室分画のためのEchoGraphsという自動手法を提案する。 キーポイントの検出には、GCN(Graph Conal Networks)に基づく直接座標回帰モデルを用いる。 セマンティックセグメンテーションと比較すると、GCNは正確なセグメンテーションと堅牢性と推論ランタイムの改善を示している。
  論文  参考訳（メタデータ） (2022-07-06T10:03:44Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)

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。