論文の概要: AngioDG: Interpretable Channel-informed Feature-modulated Single-source Domain Generalization for Coronary Vessel Segmentation in X-ray Angiography
- arxiv url: http://arxiv.org/abs/2511.17724v1
- Date: Fri, 21 Nov 2025 19:21:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.379521
- Title: AngioDG: Interpretable Channel-informed Feature-modulated Single-source Domain Generalization for Coronary Vessel Segmentation in X-ray Angiography
- Title（参考訳）: AngioDG:X線血管造影における冠状血管分画に対する解釈可能なチャネルインフォームド特徴変調単一ソース領域の一般化
- Authors: Mohammad Atwany, Mojtaba Lashgari, Robin P. Choudhury, Vicente Grau, Abhirup Banerjee,
- Abstract要約: 心臓血管疾患が世界的に死因となっている。
X線冠動脈造影(X-ray Coronary Angiography, XCA)は、リアルタイム心臓手術におけるゴールドスタンダードである。
XCAの一般的な血管分割モデルは、画像プロトコルや患者人口の変動により困難である。
- 参考スコア（独自算出の注目度）: 3.515262079463771
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiovascular diseases are the leading cause of death globally, with X-ray Coronary Angiography (XCA) as the gold standard during real-time cardiac interventions. Segmentation of coronary vessels from XCA can facilitate downstream quantitative assessments, such as measurement of the stenosis severity and enhancing clinical decision-making. However, developing generalizable vessel segmentation models for XCA is challenging due to variations in imaging protocols and patient demographics that cause domain shifts. These limitations are exacerbated by the lack of annotated datasets, making Single-source Domain Generalization (SDG) a necessary solution for achieving generalization. Existing SDG methods are largely augmentation-based, which may not guarantee the mitigation of overfitting to augmented or synthetic domains. We propose a novel approach, ``AngioDG", to bridge this gap by channel regularization strategy to promote generalization. Our method identifies the contributions of early feature channels to task-specific metrics for DG, facilitating interpretability, and then reweights channels to calibrate and amplify domain-invariant features while attenuating domain-specific ones. We evaluate AngioDG on 6 x-ray angiography datasets for coronary vessels segmentation, achieving the best out-of-distribution performance among the compared methods, while maintaining consistent in-domain test performance.
- Abstract（参考訳）: 心臓血管疾患は、X線冠動脈造影(XCA)が心臓のリアルタイム介入におけるゴールドスタンダードとなり、世界的死因となっている。
XCAからの冠動脈の分別は、狭窄の重症度の測定や臨床的意思決定の強化など、下流での定量的評価を促進する。
しかしながら、XCAのための一般化可能な血管分割モデルの開発は、画像プロトコルや、ドメインシフトを引き起こす患者人口の変動により困難である。
これらの制限は、注釈付きデータセットの欠如によって悪化し、一般化を達成するために必要なソリューションは単一ソースドメイン一般化(SDG)である。
既存のSDG法は主に拡張ベースであり、拡張ドメインや合成ドメインへの過剰適合の緩和は保証されない可能性がある。
本稿では、チャネル正規化戦略によってこのギャップを埋めて一般化を促進する新しい手法である「アンジオDG」を提案する。
提案手法は,DGのタスク固有のメトリクスに対する初期特徴チャネルの寄与を識別し,解釈可能性の向上と,ドメイン固有の特徴を減衰させながら,ドメイン不変の特徴を校正・増幅するためのチャネルの再重み付けを行う。
冠状血管セグメンテーションのための6X線アンギオグラフィーデータセットを用いたアンジオDGの評価を行い, 整合性を維持しつつ, 比較法で最高のアウト・オブ・ディストリビューション性能を実現した。
関連論文リスト
- SFD-Mamba2Net: Structure-Guided Frequency-Enhanced Dual-Stream Mamba2 Network for Coronary Artery Segmentation [10.610715643574034]
侵襲冠動脈造影(ICA)はCAD診断における金の基準とされている。
ICA画像の特徴は、低コントラスト、高ノイズレベル、複雑で微細な血管構造である。
ICAをベースとした血管分割と狭窄検出に適したエンドツーエンドフレームワークであるSFD-Mamba2Netを提案する。
論文 参考訳（メタデータ） (2025-09-10T18:58:45Z) - Generative Classifier for Domain Generalization [84.92088101715116]
ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。
生成駆動型ドメイン一般化(GCDG)を提案する。
GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
論文 参考訳（メタデータ） (2025-04-03T04:38:33Z) - 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) - Divergent Domains, Convergent Grading: Enhancing Generalization in Diabetic Retinopathy Grading [8.59772105902647]
糖尿病網膜症(DR)は世界の視覚障害の5%を占める。
DRグレーディングにおけるドメイン一般化(DG)を実現するための新しいディープラーニング手法を提案する。
本手法は,経験的リスク最小化ベースラインよりも大幅に改善されたことを示す。
論文 参考訳（メタデータ） (2024-11-04T21:09:24Z) - FIESTA: Fourier-Based Semantic Augmentation with Uncertainty Guidance for Enhanced Domain Generalizability in Medical Image Segmentation [10.351755243183383]
医用画像セグメンテーション(MIS)における単一ソース領域一般化(SDG)は、1つのソースドメインのみのデータを使用してモデルを一般化し、目に見えないターゲットドメインからデータをセグメントすることを目的としている。
既存の手法では、MISでよく見られる詳細や不確実な領域を十分に考慮できないことが多く、誤分類につながる。
本稿では、不確実性ガイダンスを用いたFIESTAと呼ばれるフーリエに基づく意味拡張手法を提案する。
論文 参考訳（メタデータ） (2024-06-20T13:37:29Z) - SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。
心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。
自動冠状動脈疾患診断では異常な成績を示した。
論文 参考訳（メタデータ） (2023-11-17T02:01:19Z) - On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。
いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。
我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-24T16:29:43Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。
私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。
この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-11-27T07:36:32Z) - HCDG: A Hierarchical Consistency Framework for Domain Generalization on
Medical Image Segmentation [33.623948922908184]
ドメイン一般化のための新しい階層的一貫性フレームワーク(HCDG)を提案する。
Extrinsic Consistencyでは、複数のソースドメインにまたがる知識を活用して、データレベルの一貫性を強制します。
Intrinsic Consistencyでは、デュアルタスクシナリオの下で同じインスタンスに対してタスクレベルの一貫性を実行します。
論文 参考訳（メタデータ） (2021-09-13T07:07:23Z)
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。