論文の概要: Bladder Vessel Segmentation using a Hybrid Attention-Convolution Framework

• arxiv url: http://arxiv.org/abs/2602.09949v1
• Date: Tue, 10 Feb 2026 16:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.687437
• Title: Bladder Vessel Segmentation using a Hybrid Attention-Convolution Framework
• Title（参考訳）: ハイブリッド・アテンション・コンボリューション・フレームワークを用いた膀胱血管のセグメンテーション
• Authors: Franziska Krauß, Matthias Ege, Zoltan Lovasz, Albrecht Bartz-Schmidt, Igor Tsaur, Oliver Sawodny, Carina Veil,
• Abstract要約: 膀胱がんの監視には、反復的介入による腫瘍部位の追跡が必要であるが、変形可能で中空の膀胱は、向き付けのための安定したランドマークを欠いている。 CNNの前にトランスフォーマーを組み合わせてグローバルな容器トポロジをキャプチャするハイブリッドアテンション・コンボリューションアーキテクチャを導入する。 構造接続を優先するために、Transformerはショートブランチとターミナルブランチを除外した最適化された真実データに基づいて訓練される。
• 参考スコア（独自算出の注目度）: 1.6270825077960571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urinary bladder cancer surveillance requires tracking tumor sites across repeated interventions, yet the deformable and hollow bladder lacks stable landmarks for orientation. While blood vessels visible during endoscopy offer a patient-specific "vascular fingerprint" for navigation, automated segmentation is challenged by imperfect endoscopic data, including sparse labels, artifacts like bubbles or variable lighting, continuous deformation, and mucosal folds that mimic vessels. State-of-the-art vessel segmentation methods often fail to address these domain-specific complexities. We introduce a Hybrid Attention-Convolution (HAC) architecture that combines Transformers to capture global vessel topology prior with a CNN that learns a residual refinement map to precisely recover thin-vessel details. To prioritize structural connectivity, the Transformer is trained on optimized ground truth data that exclude short and terminal branches. Furthermore, to address data scarcity, we employ a physics-aware pretraining, that is a self-supervised strategy using clinically grounded augmentations on unlabeled data. Evaluated on the BlaVeS dataset, consisting of endoscopic video frames, our approach achieves high accuracy (0.94) and superior precision (0.61) and clDice (0.66) compared to state-of-the-art medical segmentation models. Crucially, our method successfully suppresses false positives from mucosal folds that dynamically appear and vanish as the bladder fills and empties during surgery. Hence, HAC provides the reliable structural stability required for clinical navigation.
• Abstract（参考訳）: 膀胱がんの監視には、反復的介入による腫瘍部位の追跡が必要であるが、変形可能で中空の膀胱は、向き付けのための安定したランドマークを欠いている。 内視鏡で見える血管は、患者固有の「血管指紋」をナビゲーションに提供しますが、自動セグメンテーションは、スパースラベル、バブルや可変照明などの人工物、連続的な変形、血管を模倣する粘膜の折りたたみなど、不完全な内視鏡データによって挑戦されます。 State-of-the-the-art vessel segmentationメソッドは、ドメイン固有の複雑さに対処できないことが多い。 我々はトランスフォーマーとCNNを併用したハイブリッドアテンション・コンボリューション(HAC)アーキテクチャを導入する。 構造接続を優先するために、Transformerはショートブランチとターミナルブランチを除外した最適化された真実データに基づいて訓練される。 さらに、データ不足に対処するために、未ラベルデータに基づく臨床基盤強化を用いた自己教師型戦略である物理認識事前学習を用いる。 内視鏡的ビデオフレームからなるBlaVeSデータセットを用いて評価し,最先端の医用セグメンテーションモデルと比較して高い精度 (0.94) と優れた精度 (0.61) , clDice (0.66) を実現した。 以上より,術中に膀胱が充満して空腹すると,粘膜の折りたたみが動的に出現・消失し,偽陽性が抑制された。 したがって、HACは臨床ナビゲーションに必要な信頼性の高い構造安定性を提供する。

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)
• Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
  3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。 我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
  論文  参考訳（メタデータ） (2025-09-22T12:57:21Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• VesselRW: Weakly Supervised Subcutaneous Vessel Segmentation via Learned Random Walk Propagation [0.0]
  皮下血管の分節化に特化して設計された弱教師付きトレーニングフレームワークを提案する。 この方法は、センターライントレース、ドットマーカー、短いスクリブルといった、低コストでスパースなアノテーションを使用して学習プロセスをガイドする。 臨床皮下画像データセットを用いた実験により,本手法はナイーブなスパースラベルトレーニングと従来の擬似ラベル法の両方より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-09T04:34:54Z)
• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• 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)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Joint Learning of Vessel Segmentation and Artery/Vein Classification with Post-processing [27.825969553813092]
  血管分節と動脈・静脈の分類は、潜在的な疾患について様々な情報を提供する。 我々は、UNetベースのモデルSeqNetを採用し、背景から船舶を正確に分割し、船舶のタイプを予測する。 実験の結果,AUCを0.98に改善し,DRIVEデータセットの分類精度は0.92に向上した。
  論文  参考訳（メタデータ） (2020-05-27T13:06:16Z)

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。