論文の概要: VessShape: Few-shot 2D blood vessel segmentation by leveraging shape priors from synthetic images

• arxiv url: http://arxiv.org/abs/2510.27646v1
• Date: Fri, 31 Oct 2025 17:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.178883
• Title: VessShape: Few-shot 2D blood vessel segmentation by leveraging shape priors from synthetic images
• Title（参考訳）: VessShape: 合成画像からの形状前駆体を利用した2D血管セグメンテーション
• Authors: Cesar H. Comin, Wesley N. Galvão,
• Abstract要約: セグメンテーションモデルに形状バイアスを注入するように設計された大規模2次元合成データセットを生成する手法であるVessShapeを紹介する。 VessShapeの画像には、手続き的に生成された管状地形と、さまざまな前景と背景のテクスチャが組み合わされている。 本研究では,VessShape画像上で事前学習したモデルが,異なる領域の2つの実世界のデータセットに対して,強力な数ショットセグメンテーション性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 0.11458853556386794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation of blood vessels is an important task in medical image analysis, but its progress is often hindered by the scarcity of large annotated datasets and the poor generalization of models across different imaging modalities. A key aspect is the tendency of Convolutional Neural Networks (CNNs) to learn texture-based features, which limits their performance when applied to new domains with different visual characteristics. We hypothesize that leveraging geometric priors of vessel shapes, such as their tubular and branching nature, can lead to more robust and data-efficient models. To investigate this, we introduce VessShape, a methodology for generating large-scale 2D synthetic datasets designed to instill a shape bias in segmentation models. VessShape images contain procedurally generated tubular geometries combined with a wide variety of foreground and background textures, encouraging models to learn shape cues rather than textures. We demonstrate that a model pre-trained on VessShape images achieves strong few-shot segmentation performance on two real-world datasets from different domains, requiring only four to ten samples for fine-tuning. Furthermore, the model exhibits notable zero-shot capabilities, effectively segmenting vessels in unseen domains without any target-specific training. Our results indicate that pre-training with a strong shape bias can be an effective strategy to overcome data scarcity and improve model generalization in blood vessel segmentation.
• Abstract（参考訳）: 血管のセマンティックセグメンテーションは、医学的画像解析において重要な課題であるが、大きな注釈付きデータセットの不足と異なる画像モダリティにわたるモデルの一般化が、その進歩を妨げていることが多い。 重要な側面は、テクスチャベースの特徴を学ぶための畳み込みニューラルネットワーク(CNN)の傾向である。 管状および分岐特性などの容器形状の幾何学的先行性を活用することにより、より堅牢でデータ効率のよいモデルがもたらされる、という仮説を立てる。 そこで本研究では,分割モデルの形状バイアスを補うために設計された大規模2次元合成データセットを生成する手法であるVessShapeを紹介する。 VessShapeの画像には、手続き的に生成された管状地形と、さまざまな前景や背景のテクスチャが組み合わされ、テクスチャではなく形状のキューを学ぶことを奨励している。 本研究では,VessShape画像上で事前学習したモデルが,異なる領域の2つの実世界のデータセットに対して強力な数ショットセグメンテーション性能を達成し,微調整に4～10サンプルしか必要としないことを示す。 さらに、このモデルは特筆すべきゼロショット能力を示し、ターゲット固有の訓練を受けずに、事実上見えない領域の容器を分割する。 以上の結果から, 形状バイアスが強いプレトレーニングは, データ不足を克服し, 血管セグメンテーションにおけるモデル一般化を改善するための有効な方法である可能性が示唆された。

関連論文リスト

• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• ADASSM: Adversarial Data Augmentation in Statistical Shape Models From Images [0.8192907805418583]
  本稿では,データ依存型ノイズ生成やテクスチャ拡張を利用して,画像間SSMフレームワークのオンザフライデータ拡張のための新しい戦略を提案する。 提案手法は,画素値のみに頼らず,基礎となる幾何学に焦点をあてることにより,精度の向上を実現する。
  論文  参考訳（メタデータ） (2023-07-06T20:21:12Z)
• Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers [8.781861951759948]
  本稿では,画像分類の性能向上のために,変形空間における変形可能な形状を学習する最初のディープラーニングモデルGeo-SICを提案する。 画像空間と潜時形状空間の両方から特徴を同時に導出する,クラス内変動の大きい新設計のフレームワークを提案する。 幾何学的形状表現の教師なし学習を取り入れた強化型分類網を開発した。
  論文  参考訳（メタデータ） (2022-10-25T01:55:17Z)
• Saliency-Driven Active Contour Model for Image Segmentation [2.8348950186890467]
  本稿では,局所的な画像情報(LIF)を用いたサリエンシマップの利点を利用して,従来のモデルの欠点を克服する新しいモデルを提案する。 提案モデルでは,画像の鮮度マップと局所画像情報を用いて,アクティブな輪郭モデルの進行性を向上させる。
  論文  参考訳（メタデータ） (2022-05-23T06:02:52Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。