論文の概要: A Physics-Informed Loss Function for Boundary-Consistent and Robust Artery Segmentation in DSA Sequences

• arxiv url: http://arxiv.org/abs/2511.20501v1
• Date: Tue, 25 Nov 2025 17:08:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.565374
• Title: A Physics-Informed Loss Function for Boundary-Consistent and Robust Artery Segmentation in DSA Sequences
• Title（参考訳）: 物理インフォームド・ロス関数を用いたDSA配列における境界整合性およびロバスト動脈分節化
• Authors: Muhammad Irfan, Nasir Rahim, Khalid Mahmood Malik,
• Abstract要約: 本稿では,予測と地道境界の相互作用をモデル化する新しいテクスタイトフィジックス・インフォームド・ロス(PIL)を提案する。 PILはクロスエントロピー、ディス、アクティブ・コンター、サーフェス・ロスといった従来の損失関数を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 6.154694408048338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate extraction and segmentation of the cerebral arteries from digital subtraction angiography (DSA) sequences is essential for developing reliable clinical management models of complex cerebrovascular diseases. Conventional loss functions often rely solely on pixel-wise overlap, overlooking the geometric and physical consistency of vascular boundaries, which can lead to fragmented or unstable vessel predictions. To overcome this limitation, we propose a novel \textit{Physics-Informed Loss} (PIL) that models the interaction between the predicted and ground-truth boundaries as an elastic process inspired by dislocation theory in materials physics. This formulation introduces a physics-based regularization term that enforces smooth contour evolution and structural consistency, allowing the network to better capture fine vascular geometry. The proposed loss is integrated into several segmentation architectures, including U-Net, U-Net++, SegFormer, and MedFormer, and evaluated on two public benchmarks: DIAS and DSCA. Experimental results demonstrate that PIL consistently outperforms conventional loss functions such as Cross-Entropy, Dice, Active Contour, and Surface losses, achieving superior sensitivity, F1 score, and boundary coherence. These findings confirm that the incorporation of physics-based boundary interactions into deep neural networks improves both the precision and robustness of vascular segmentation in dynamic angiographic imaging. The implementation of the proposed method is publicly available at https://github.com/irfantahir301/Physicsis_loss.
• Abstract（参考訳）: DSA (Digital Subtraction angiography) からの脳動脈の正確な抽出と分画は、複雑な脳血管疾患の信頼性の高い臨床管理モデルの開発に不可欠である。 従来の損失関数は、しばしばピクセル単位でのオーバーラップにのみ依存し、血管境界の幾何学的および物理的整合性を見渡して、断片化されたまたは不安定な血管予測につながる。 この制限を克服するために, 物質物理学における転位理論に着想を得た弾性過程として, 予測的境界と基底的境界との相互作用をモデル化する新しい「textit{Physics-Informed Loss} (PIL)」を提案する。 この定式化は、スムーズな輪郭の進化と構造的整合性を強制する物理に基づく正規化項を導入し、ネットワークがより微細な血管形状を捕捉できるようにする。 提案された損失は、U-Net、U-Net++、SegFormer、MedFormerなどいくつかのセグメンテーションアーキテクチャに統合され、DIASとDSCAの2つの公開ベンチマークで評価される。 実験の結果, PILはクロスエントロピー, ディス, アクティブコンター, 表面損失などの従来の損失関数を一貫して上回り, 優れた感度, F1スコア, 境界コヒーレンスを実現していることがわかった。 これらの結果から,深部神経ネットワークへの物理ベース境界相互作用の導入は,ダイナミック血管造影画像における血管セグメンテーションの精度と堅牢性を向上させることが確認された。 提案手法の実装はhttps://github.com/irfantahir301/Physicsis_lossで公開されている。

関連論文リスト

• Importance of localized dilatation and distensibility in identifying determinants of thoracic aortic aneurysm with neural operators [0.12491670910781398]
  胸部大動脈瘤(TAA)は,大動脈壁への機械的・機械的破壊から生じる。 ここでは、有限要素フレームワークを用いて、数百の異種侮辱から合成TAAを生成する。 局所的な拡張と拡張性の空間マップを構築し、ニューラルネットワークをトレーニングし、組み合わせた侮辱の開始を予測する。
  論文  参考訳（メタデータ） (2025-09-30T17:34:59Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Enhanced Vascular Flow Simulations in Aortic Aneurysm via Physics-Informed Neural Networks and Deep Operator Networks [0.0]
  PINN,Deep Operator Networks(DeepONets)およびそれらのPhysical-Informed Extension(PI-DeepONets)について検討した。 我々は3D Navier-Stokes方程式を統合することにより、AAAの特定のユースケースに対処するアプローチに適応する。 それぞれのアプローチの利点と制限は、一連の関連するアプリケーションケースを通して強調されます。
  論文  参考訳（メタデータ） (2025-03-19T22:38:52Z)
• Mesh-Informed Reduced Order Models for Aneurysm Rupture Risk Prediction [0.0]
  計算流体力学(CFD)を用いて大動脈瘤の発症リスクを予測する。 有限体積(FV)の離散化によって得られるメッシュの自然なグラフ構造を利用する。 本手法は,次元の呪いを克服する有効な方法であることを確認した。
  論文  参考訳（メタデータ） (2024-10-04T09:39:15Z)
• 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)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• An Elastic Interaction-Based Loss Function for Medical Image Segmentation [10.851295591782538]
  本稿では,医用画像セグメンテーションのための長距離弾性相互作用に基づくトレーニング戦略を提案する。 この戦略において、CNNは予測領域の境界と実際の物体の境界との間の弾性相互作用エネルギーの誘導の下で対象領域を学習する。 実験結果から,本手法は一般的に用いられている画素単位の損失関数と比較して,大幅な改善が可能であることが示された。
  論文  参考訳（メタデータ） (2020-07-06T11:49:14Z)

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。