論文の概要: retinalysis-vascx: An explainable software toolbox for the extraction of retinal vascular biomarkers
- arxiv url: http://arxiv.org/abs/2602.08580v1
- Date: Mon, 09 Feb 2026 12:19:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:25.219859
- Title: retinalysis-vascx: An explainable software toolbox for the extraction of retinal vascular biomarkers
- Title（参考訳）: Retinalysis-vascx:網膜血管バイオマーカー抽出のための説明可能なソフトウェアツールボックス
- Authors: Jose D. Vargas Quiros, Michael J. Beyeler, Sofia Ortin Vela, EyeNED Reading Center, Sven Bergmann, Caroline C. W. Klaver, Bart Liefers,
- Abstract要約: VascXは、動脈と静脈のセグメンテーションからバイオマーカーを自動抽出するために設計されたオープンソースのPythonツールボックスである。
このアーキテクチャは、血管密度、分岐角、中心網膜等価度(CRE)、トルティシティ、時間角を含む総合的なバイオマーカーの組の計算を可能にする。
- 参考スコア（独自算出の注目度）: 0.158655634040527
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The automatic extraction of retinal vascular biomarkers from color fundus images (CFI) is essential for large-scale studies of the retinal vasculature. We present VascX, an open-source Python toolbox designed for the automated extraction of biomarkers from artery and vein segmentations. The VascX workflow processes vessel segmentation masks into skeletons to build undirected and directed vessel graphs, which are then used to resolve segments into continuous vessels. This architecture enables the calculation of a comprehensive suite of biomarkers, including vascular density, bifurcation angles, central retinal equivalents (CREs), tortuosity, and temporal angles, alongside image quality metrics. A distinguishing feature of VascX is its region awareness; by utilizing the fovea, optic disc, and CFI boundaries as anatomical landmarks, the tool ensures spatially standardized measurements and identifies when specific biomarkers are not computable. Spatially localized biomarkers are calculated over grids relative to these landmarks, facilitating precise clinical analysis. Released via GitHub and PyPI, VascX provides an explainable and modifiable framework that supports reproducible vascular research through integrated visualizations. By enabling the rapid extraction of established biomarkers and the development of new ones, VascX advances the field of oculomics, offering a robust, computationally efficient solution for scalable deployment in large-scale clinical and epidemiological databases.
- Abstract（参考訳）: 網膜血管画像(CFI)からの網膜血管バイオマーカーの自動抽出は、網膜血管の大規模研究に不可欠である。
本稿では,バイオマーカーの自動抽出を目的としたオープンソースのPythonツールボックスであるVascXについて紹介する。
VascXワークフローは、コンテナセグメンテーションマスクをスケルトンに処理して、無方向および指向のコンテナグラフを構築する。
このアーキテクチャは、画像品質指標とともに、血管密度、分岐角、中心網膜等価度(CRE)、トルティシティ、時間角を含む総合的なバイオマーカースイートの計算を可能にする。
VascXの際立った特徴は領域認識であり、葉、光ディスク、CFIの境界を解剖学的ランドマークとして利用することにより、空間的に標準化された測定を保証し、特定のバイオマーカーが計算できないかを識別する。
空間的に局在したバイオマーカーは、これらのランドマークに対するグリッド上で計算され、正確な臨床分析を容易にする。
GitHubとPyPI経由でリリースされたVascXは、可視化の統合を通じて再現可能な血管研究をサポートする説明可能な、修正可能なフレームワークを提供する。
確立されたバイオマーカーの迅速な抽出と新しいバイオマーカーの開発を可能にして、VascXは、大規模臨床および疫学データベースにおけるスケーラブルな展開のための堅牢で計算的に効率的なソリューションを提供する、オキュロミクスの分野を前進させる。
関連論文リスト
- BioVessel-Net and RetinaMix: Unsupervised Retinal Vessel Segmentation from OCTA Images [16.61148063147746]
BioVessel-Netは非教師なしの生成フレームワークであり、船体バイオ統計学と敵対的精錬と半径誘導セグメンテーション戦略を統合している。
2Dおよび3D OCTA画像の新しいベンチマークデータセットであるRetinaMixを紹介した。
BioVessel-Netは、RetinaMixおよび既存のデータセット間でほぼ完璧なセグメンテーション精度を実現し、最先端の教師付きおよび半教師付きメソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-09-28T03:46:20Z) - X-GAN: A Generative AI-Powered Unsupervised Model for Main Vessel Segmentation of Glaucoma Screening [11.459516516888966]
本稿では,OCTA画像から主血管を抽出するAIを用いた非教師付きセグメンテーションモデルであるX-GANを提案する。
X-GANはラベル付きデータや高性能コンピューティングリソースに頼ることなく、100%近いセグメンテーション精度を達成する。
論文 参考訳（メタデータ） (2025-03-09T19:56:36Z) - AutoComb: Automated Comb Sign Detector for 3D CTE Scans [6.146230417980112]
Comb Signは、複数の消化管疾患を検出する重要なバイオマーカーである。
現在の検出方法は、手動、時間集約、主観的解釈の傾向にある。
本稿では,CTE からComb Sign を検出するための完全自動手法を提案する。
論文 参考訳（メタデータ） (2025-02-28T18:53:32Z) - 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) - 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) - PVBM: A Python Vasculature Biomarker Toolbox Based On Retinal Blood
Vessel Segmentation [0.0]
血管の非侵襲的可視化
コンピュータビジョンと画像セグメンテーションの最近の進歩は、DFI血管セグメンテーションの自動化を可能にする。
デジタル血管バイオマーカーを自動的に計算できるリソースが必要である。
論文 参考訳（メタデータ） (2022-07-31T08:22:59Z) - An Algorithm for the Labeling and Interactive Visualization of the
Cerebrovascular System of Ischemic Strokes [59.116811751334225]
VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。
閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。
本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
論文 参考訳（メタデータ） (2022-04-26T14:20:26Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - The RETA Benchmark for Retinal Vascular Tree Analysis [6.923431677344723]
網膜血管分析を容易にするために,81個のラベル付き血管マスクを用いた新しいベンチマークRETAを構築した。
データセット構築中に、アノテーション間の変動とアノテーション内の変動を制御しようと試みた。
ユーザは、コンテナセグメンテーションアルゴリズムを開発したり、私たちのデータセットでコンテナセグメンテーションのパフォーマンスを評価したりできます。
論文 参考訳（メタデータ） (2021-11-23T05:10:38Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳（メタデータ） (2020-07-18T05:46:47Z)
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。