論文の概要: TFFM: Topology-Aware Feature Fusion Module via Latent Graph Reasoning for Retinal Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2601.19136v2
• Date: Tue, 03 Feb 2026 01:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 16:18:58.79197
• Title: TFFM: Topology-Aware Feature Fusion Module via Latent Graph Reasoning for Retinal Vessel Segmentation
• Title（参考訳）: TFFM:網膜血管セグメンテーションのための潜在グラフ推論による位相認識機能融合モジュール
• Authors: Iftekhar Ahmed, Shakib Absar, Aftar Ahmad Sami, Shadman Sakib, Debojyoti Biswas, Seraj Al Mahmud Mostafa,
• Abstract要約: 血管接続性を維持するために設計されたトポロジ対応フレームワークを紹介する。 我々のアーキテクチャは、局所的な特徴表現を潜在グラフ空間にマッピングする、トポロジカル・フィーチャー・フュージョン・モジュール(TFFM)を融合する。 学習過程をハイブリッドな目的関数で駆動し,クラス不均衡に対するTverskyの損失とソフトなClDiceの損失とを結合させ,トポロジカルな切断を明示的に罰する。
• 参考スコア（独自算出の注目度）: 3.903438631397551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise segmentation of retinal arteries and veins carries the diagnosis of systemic cardiovascular conditions. However, standard convolutional architectures often yield topologically disjointed segmentations, characterized by gaps and discontinuities that render reliable graph-based clinical analysis impossible despite high pixel-level accuracy. To address this, we introduce a topology-aware framework engineered to maintain vascular connectivity. Our architecture fuses a Topological Feature Fusion Module (TFFM) that maps local feature representations into a latent graph space, deploying Graph Attention Networks to capture global structural dependencies often missed by fixed receptive fields. Furthermore, we drive the learning process with a hybrid objective function, coupling Tversky loss for class imbalance with soft clDice loss to explicitly penalize topological disconnects. Evaluation on the Fundus-AVSeg dataset reveals state-of-the-art performance, achieving a combined Dice score of 90.97% and a 95% Hausdorff Distance of 3.50 pixels. Notably, our method decreases vessel fragmentation by approximately 38% relative to baselines, yielding topologically coherent vascular trees viable for automated biomarker quantification. We open-source our code at https://tffm-module.github.io/.
• Abstract（参考訳）: 網膜動脈と静脈の精密分画は、全身性心血管疾患の診断に有用である。 しかし、標準的な畳み込みアーキテクチャは、高ピクセルレベルの精度にもかかわらず信頼性の高いグラフベースの臨床分析を不可能にするギャップと不連続を特徴とする、トポロジ的に不整合なセグメンテーションをもたらすことが多い。 これを解決するために,血管接続性を維持するために設計されたトポロジ対応フレームワークを導入する。 我々のアーキテクチャは、局所的な特徴表現を潜在グラフ空間にマッピングするトポロジカル・フィーチャー・フュージョン・モジュール(TFFM)を融合させ、グラフアテンション・ネットワークを配置して、固定された受容フィールドによってしばしば見逃されるグローバルな構造的依存関係をキャプチャする。 さらに,学習過程をハイブリッド目的関数で駆動し,クラス不均衡に対するTverskyの損失とソフトなClDiceの損失とを結合させ,トポロジカルな切断を明示的に罰する。 Fundus-AVSegデータセットの評価では、Diceスコアが90.97%、Hausdorff Distanceが3.50ピクセルである。 特に,本手法は, 血管の断片化をベースラインに対して約38%減少させ, バイオマーカーの自動定量に有効なトポロジカル・コヒーレントな血管木を創出する。 私たちはコードをhttps://tffm-module.github.io/でオープンソースにしています。

関連論文リスト

• Topology-Constrained Learning for Efficient Laparoscopic Liver Landmark Detection [46.2391319253146]
  肝のランドマークは腹腔鏡下肝手術中に外科医に重要な解剖学的ガイダンスを提供する。 TopoNetは腹腔鏡下肝ランドマーク検出のための新しいトポロジ制約学習フレームワークである。 我々のフレームワークは、スネーク・CNNデュアルパス・エンコーダを用いて、詳細なRGBテクスチャ情報と深さインフォームドトポロジ構造を同時に取得する。
  論文  参考訳（メタデータ） (2025-07-01T07:35:36Z)
• Do Segmentation Models Understand Vascular Structure? A Blob-Based XAI Framework [0.3277163122167433]
  深層学習モデルは、医用画像のセグメンテーションにおいて素晴らしいパフォーマンスを達成したが、そのブラックボックスの性質は臨床応用を制限している。 本稿では,勾配に基づく属性とグラフ誘導点選択を組み合わせた3次元血管セグメンテーションのための新しい説明可能性パイプラインを提案する。 本研究は,構造的説明可能性ツールの重要性を概説し,大域的血管コンテキストの把握におけるセグメンテーションモデルの限界を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-04-11T12:42:52Z)
• 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)
• 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)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Efficient Anatomical Labeling of Pulmonary Tree Structures via Deep Point-Graph Representation-based Implicit Fields [45.16492100245491]
  肺疾患は世界中で死の主な死因の1つである。 高解像度画像スタックと高密度ボクセルグリッド上の標準CNNを用いた従来のアプローチは、計算効率、解像度の制限、局所的文脈、形状トポロジーの不十分な保存といった課題に直面している。 本手法は,高密度なボクセルからスパースポイント表現に移行し,メモリ効率の向上とグローバルなコンテキスト利用を実現することで,これらの問題に対処する。
  論文  参考訳（メタデータ） (2023-09-29T15:40:58Z)
• The Topology-Overlap Trade-Off in Retinal Arteriole-Venule Segmentation [0.0]
  畳み込みニューラルネットワークは 予測と専門家のアノテーションの 高い重複を達成できる オーバーラップの観点から,本モデルが最先端技術と同等の結果を得られることを示す。
  論文  参考訳（メタデータ） (2023-03-31T13:01:05Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。