論文の概要: Leveraging Persistence Image to Enhance Robustness and Performance in Curvilinear Structure Segmentation

• arxiv url: http://arxiv.org/abs/2601.18045v1
• Date: Sun, 25 Jan 2026 23:51:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.594003
• Title: Leveraging Persistence Image to Enhance Robustness and Performance in Curvilinear Structure Segmentation
• Title（参考訳）: 曲線構造セグメンテーションにおけるロバスト性及び性能向上のためのパーシステンス画像の活用
• Authors: Zhuangzhi Gao, Feixiang Zhou, He Zhao, Xiuju Chen, Xiaoxin Li, Qinkai Yu, Yitian Zhao, Alena Shantsila, Gregory Y. H. Lip, Eduard Shantsila, Yalin Zheng,
• Abstract要約: PIs-Regressorは、データから直接、永続画像(PI) – トポロジ的特徴の有限で微分可能な表現 – を学習する。 本手法は手作り損失関数に大きく依存する既存の手法とは異なり,ネットワーク構造に直接トポロジ情報を組み込む。 3つのカービリニアベンチマークに対するアプローチは,画素レベルの精度とトポロジカル忠実度の両方において,最先端の性能を示す。
• 参考スコア（独自算出の注目度）: 17.808385571339624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmenting curvilinear structures in medical images is essential for analyzing morphological patterns in clinical applications. Integrating topological properties, such as connectivity, improves segmentation accuracy and consistency. However, extracting and embedding such properties - especially from Persistence Diagrams (PD) - is challenging due to their non-differentiability and computational cost. Existing approaches mostly encode topology through handcrafted loss functions, which generalize poorly across tasks. In this paper, we propose PIs-Regressor, a simple yet effective module that learns persistence image (PI) - finite, differentiable representations of topological features - directly from data. Together with Topology SegNet, which fuses these features in both downsampling and upsampling stages, our framework integrates topology into the network architecture itself rather than auxiliary losses. Unlike existing methods that depend heavily on handcrafted loss functions, our approach directly incorporates topological information into the network structure, leading to more robust segmentation. Our design is flexible and can be seamlessly combined with other topology-based methods to further enhance segmentation performance. Experimental results show that integrating topological features enhances model robustness, effectively handling challenges like overexposure and blurring in medical imaging. Our approach on three curvilinear benchmarks demonstrate state-of-the-art performance in both pixel-level accuracy and topological fidelity.
• Abstract（参考訳）: 臨床応用における形態学的パターンの解析には, 医用画像中の線状構造の分離が不可欠である。 接続性などのトポロジ特性の統合は、セグメンテーションの精度と一貫性を向上させる。 しかし、特にパーシステンス・ダイアグラム(PD)からそのような特性を抽出し、埋め込むことは、その非微分性と計算コストのために困難である。 既存のアプローチは、主に手作りの損失関数を通じてトポロジーをエンコードする。 本稿では,データから直接,トポロジ的特徴の有限で微分可能な表現である永続化画像(PI)を学習する,シンプルで効果的なモジュールであるPIs-Regressorを提案する。 ダウンサンプリングとアップサンプリングの両方の段階でこれらの機能を融合するTopology SegNetとともに、当社のフレームワークは、補助的な損失ではなく、トポロジをネットワークアーキテクチャ自体に統合します。 手作りの損失関数に大きく依存する既存の手法とは異なり、我々の手法はトポロジ的情報をネットワーク構造に直接組み込んでおり、より堅牢なセグメンテーションをもたらす。 我々の設計は柔軟であり、セグメンテーション性能をさらに向上するために他のトポロジベースの手法とシームレスに組み合わせることができる。 実験結果から,トポロジカルな特徴の統合はモデルロバスト性を高め,過剰露光や医用画像のぼやけといった課題を効果的に扱えることを示した。 3つのカービリニアベンチマークに対する我々のアプローチは、画素レベルの精度とトポロジカル忠実度の両方において最先端の性能を示す。

関連論文リスト

• Bridging Structure and Appearance: Topological Features for Robust Self-Supervised Segmentation [8.584363058858935]
  自己教師付きセマンティックセグメンテーション法は、外観の曖昧さに直面して失敗することが多い。 これは、影、光沢、局所的なテクスチャといった不安定で外観に基づく特徴に過度に依存しているためである、と我々は主張する。 安定な位相情報を活用することで外観と幾何学を橋渡しする新しいフレームワークである textbfGASeg を提案する。
  論文  参考訳（メタデータ） (2025-12-30T05:34:28Z)
• SDF-TopoNet: A Two-Stage Framework for Tubular Structure Segmentation via SDF Pre-training and Topology-Aware Fine-Tuning [2.3436632098950456]
  主な課題は、計算効率を維持しながら位相的正しさを確保することである。 改良されたトポロジ対応セグメンテーションフレームワークである textbfSDF-TopoNet を提案する。 SDF-TopoNetは, 位相的精度と定量的セグメンテーションの指標の両方において, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-14T23:54:38Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
  トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。 Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。 本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-12-29T22:41:33Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Graph Vertex Embeddings: Distance, Regularization and Community Detection [0.0]
  グラフ埋め込みは、低次元空間における複雑なネットワーク構造を表現する強力なツールとして登場した。 異なる頂点間の位相的距離を忠実に捉えるフレキシブル距離関数の族を示す。 ベンチマークデータセットのホスト上でコミュニティ検出を行うことにより,提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-09T09:03:53Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。