論文の概要: Rotterdam artery-vein segmentation (RAV) dataset

• arxiv url: http://arxiv.org/abs/2512.17322v1
• Date: Fri, 19 Dec 2025 08:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.298383
• Title: Rotterdam artery-vein segmentation (RAV) dataset
• Title（参考訳）: Rotterdam artery-vein segmentation (RAV) データセット
• Authors: Jose Vargas Quiros, Bart Liefers, Karin van Garderen, Jeroen Vermeulen, Eyened Reading Center, Caroline Klaver,
• Abstract要約: このデータセットには、1024x1024ピクセルのPNGイメージが3つのモードで含まれており、オリジナルのRGBファウンダスイメージ、コントラスト強化バージョン、RGBエンコードされたA/Vマスクである。 眼科における血管分析のための機械学習アルゴリズムの開発を支援する。
• 参考スコア（独自算出の注目度）: 0.8004597666699035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To provide a diverse, high-quality dataset of color fundus images (CFIs) with detailed artery-vein (A/V) segmentation annotations, supporting the development and evaluation of machine learning algorithms for vascular analysis in ophthalmology. Methods: CFIs were sampled from the longitudinal Rotterdam Study (RS), encompassing a wide range of ages, devices, and capture conditions. Images were annotated using a custom interface that allowed graders to label arteries, veins, and unknown vessels on separate layers, starting from an initial vessel segmentation mask. Connectivity was explicitly verified and corrected using connected component visualization tools. Results: The dataset includes 1024x1024-pixel PNG images in three modalities: original RGB fundus images, contrast-enhanced versions, and RGB-encoded A/V masks. Image quality varied widely, including challenging samples typically excluded by automated quality assessment systems, but judged to contain valuable vascular information. Conclusion: This dataset offers a rich and heterogeneous source of CFIs with high-quality segmentations. It supports robust benchmarking and training of machine learning models under real-world variability in image quality and acquisition settings. Translational Relevance: By including connectivity-validated A/V masks and diverse image conditions, this dataset enables the development of clinically applicable, generalizable machine learning tools for retinal vascular analysis, potentially improving automated screening and diagnosis of systemic and ocular diseases.
• Abstract（参考訳）: 目的: 眼科における血管分析のための機械学習アルゴリズムの開発と評価を支援するため, 詳細な動脈ベイン(A/V)セグメンテーションアノテーションを用いた多彩で高品質なカラーファンドス画像(CFI)データセットを提供する。 方法: CFIは縦型ロッテルダム研究 (RS) から採取され, 年齢, 装置, 捕獲条件が多岐にわたる。 画像はカスタムインターフェースを使って注釈付けされ、グレーダーは動脈、静脈、未知の血管を、最初の血管セグメンテーションマスクから、別々の層にラベル付けできる。 接続性は、接続されたコンポーネント可視化ツールを使用して明示的に検証され、修正された。 結果: データセットには、1024x1024ピクセルのPNGイメージが3つのモードで含まれている: オリジナルのRGBファウンスイメージ、コントラスト強化バージョン、RGBエンコードされたA/Vマスク。 画像の品質は、通常、自動品質評価システムによって除外される挑戦的なサンプルを含む広範囲に及んだが、貴重な血管情報を含んでいると判断された。 結論: このデータセットは、高品質なセグメンテーションを持つCFIのリッチで異質なソースを提供する。 画像の品質と取得設定の現実的な可変性の下で、堅牢なベンチマークと機械学習モデルのトレーニングをサポートする。 翻訳関連性: 接続検証されたA/Vマスクと多様な画像条件を含めることで、このデータセットは臨床応用可能な、網膜血管分析のための一般化可能な機械学習ツールの開発を可能にし、自動スクリーニングと全身性および眼疾患の診断を改善する可能性がある。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• AGGRNet: Selective Feature Extraction and Aggregation for Enhanced Medical Image Classification [11.697160779548504]
  我々は,詳細な視覚パターンを理解するために,情報的・非情報的特徴を抽出するAGGRNetフレームワークを提案する。 KvasirデータセットのSOTAモデルよりも5%向上した。
  論文  参考訳（メタデータ） (2025-11-15T23:01:09Z)
• RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
  本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。 我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。 RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-06T17:43:03Z)
• FGR-Net:Interpretable fundus imagegradeability classification based on deepreconstruction learning [4.377496499420086]
  本稿ではFGR-Netと呼ばれる新しいフレームワークを提案する。 FGR-Netモデルは、可視化による解釈可能な品質評価も提供する。 その結果,FGR-Netの精度は89%,F1スコアは87%であった。
  論文  参考訳（メタデータ） (2024-09-16T12:56:23Z)
• A Novel Vision Transformer with Residual in Self-attention for Biomedical Image Classification [8.92307560991779]
  本稿では、視覚変換器(ViT)のためのマルチヘッド自己注意の新しい枠組みについて述べる。 提案手法は,マルチヘッドアテンションの各ブロックにおける最高のアテンション出力を蓄積するために,残差接続の概念を用いる。 その結果、従来のViTや他の畳み込みに基づく最先端の分類モデルよりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-06-02T15:06:14Z)
• 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)
• 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)

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。