論文の概要: VAOT: Vessel-Aware Optimal Transport for Retinal Fundus Enhancement

• arxiv url: http://arxiv.org/abs/2511.18763v1
• Date: Mon, 24 Nov 2025 04:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.020682
• Title: VAOT: Vessel-Aware Optimal Transport for Retinal Fundus Enhancement
• Title（参考訳）: VAOT:血管を意識した網膜基底増強のための最適輸送
• Authors: Xuanzhao Dong, Wenhui Zhu, Yujian Xiong, Xiwen Chen, Hao Wang, Xin Li, Jiajun Cheng, Zhipeng Wang, Shao Tang, Oana Dumitrascu, Yalin Wang,
• Abstract要約: 欠損した拡張パイプラインは臨床的に重要な血管を歪め、血管のトポロジーとエンドポイントの整合性を変化させる。 最適輸送目標と2つの構造保存正規化器を組み合わせたフレームワークである Vessel-Aware Optimal Transport (textbfVAOT) を提案する。 これらの制約は、船体構造を保ちながら騒音を低減し、未整備の環境での学習を導く。
• 参考スコア（独自算出の注目度）: 13.241000354696903
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Color fundus photography (CFP) is central to diagnosing and monitoring retinal disease, yet its acquisition variability (e.g., illumination changes) often degrades image quality, which motivates robust enhancement methods. Unpaired enhancement pipelines are typically GAN-based, however, they can distort clinically critical vasculature, altering vessel topology and endpoint integrity. Motivated by these structural alterations, we propose Vessel-Aware Optimal Transport (\textbf{VAOT}), a framework that combines an optimal-transport objective with two structure-preserving regularizers: (i) a skeleton-based loss to maintain global vascular connectivity and (ii) an endpoint-aware loss to stabilize local termini. These constraints guide learning in the unpaired setting, reducing noise while preserving vessel structure. Experimental results on synthetic degradation benchmark and downstream evaluations in vessel and lesion segmentation demonstrate the superiority of the proposed methods against several state-of-the art baselines. The code is available at https://github.com/Retinal-Research/VAOT
• Abstract（参考訳）: カラー・ファンドス・フォトグラフィー(CFP)は網膜疾患の診断とモニタリングの中心であるが、その取得可能性(例えば、照明の変化)はしばしば画質を劣化させ、堅牢な増強法を動機としている。 アンペアエンハンスメントパイプラインは通常GANベースであるが、臨床上重要な血管を歪め、血管のトポロジーとエンドポイントの整合性を変化させることができる。 これらの構造変化を動機として、最適輸送目標と2つの構造保存正規化器を組み合わせたフレームワークであるVessel-Aware Optimal Transport (\textbf{VAOT})を提案する。 (i)グローバル血管接続を維持するスケルトンによる損失 (ii) 局所的な終端を安定化させるエンドポイント認識損失。 これらの制約は、船体構造を保ちながら騒音を低減し、未整備の環境での学習を導く。 血管および病変のセグメンテーションにおける合成劣化評価と下流評価の実験結果から, 提案手法がいくつかの最先端技術ベースラインに対して優れていることが示された。 コードはhttps://github.com/Retinal-Research/VAOTで公開されている。

関連論文リスト

• PASC-Net:Plug-and-play Shape Self-learning Convolutions Network with Hierarchical Topology Constraints for Vessel Segmentation [9.102738065373615]
  PASCNetと呼ばれる新しい容器分割フレームワークを提案する。 コンボリューションカーネル設計を最適化するプラグイン・アンド・プレイ型のセルフラーニング・コンボリューション(SSL)モジュールと、トポロジ的制約を通じて血管接続を保証する階層型トポロジカル・制約(HTC)モジュールである。 nnUNetフレームワークに統合された場合,本手法は複数の指標において他の手法よりも優れ,最先端の血管セグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2025-07-05T11:28:35Z)
• Boundary-Aware Vision Transformer for Angiography Vascular Network Segmentation [2.421170887647153]
  バウンダリ・アウェア・ビジョン・トランスフォーマー(Baundary-Aware Vision Transformer、BAVT)は、エッジ・アウェア・ロス(エッジ・アウェア・ロス)で拡張されたViTベースのアーキテクチャである。 DCA-1冠動脈造影データセットを用いて,BAVTが医用画像のセグメンテーションの指標で優れた成績を収める手法を検証した。
  論文  参考訳（メタデータ） (2025-06-15T22:35:08Z)
• TPOT: Topology Preserving Optimal Transport in Retinal Fundus Image Enhancement [16.84367978693017]
  持続性図の差を最小限に抑えて血管構造を規則化する訓練パラダイムを提案する。 得られたフレームワークをTPOT(Topology Preserving Optimal Transport)と呼ぶ。 大規模データセットを用いた実験結果から,提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2024-11-03T02:04:35Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
  Weak-to-strong Semantics Compensation (WSCo)を導入する。 WSCoは、クラス関連セマンティクスを補う。 WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
  論文  参考訳（メタデータ） (2024-10-07T23:32:06Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• Deep Angiogram: Trivializing Retinal Vessel Segmentation [1.8479315677380455]
  本研究では,無関係な特徴をフィルタリングし,深部血管造影という潜像を合成するコントラスト型変分自動エンコーダを提案する。 合成ネットワークの一般化性は、画像コントラストとノイズの特徴の変動に敏感なモデルを実現するコントラスト損失によって改善される。
  論文  参考訳（メタデータ） (2023-07-01T06:13:10Z)
• 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)
• Parametric Scaling of Preprocessing assisted U-net Architecture for Improvised Retinal Vessel Segmentation [1.3869502085838448]
  本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。 ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
  論文  参考訳（メタデータ） (2022-03-18T15:26:05Z)
• Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
  本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。 提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-31T06:55:43Z)

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。