論文の概要: Vascular anatomy-aware self-supervised pre-training for X-ray angiogram analysis
- arxiv url: http://arxiv.org/abs/2602.11536v1
- Date: Thu, 12 Feb 2026 03:52:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.628
- Title: Vascular anatomy-aware self-supervised pre-training for X-ray angiogram analysis
- Title（参考訳）: X線アンギオグラム解析のための血管解剖学による自己教師付き事前トレーニング
- Authors: De-Xing Huang, Chaohui Yu, Xiao-Hu Zhou, Tian-Yu Xiang, Qin-Yi Zhang, Mei-Jiang Gui, Rui-Ze Ma, Chen-Yu Wang, Nu-Fang Xiao, Fan Wang, Zeng-Guang Hou,
- Abstract要約: 本稿では,解剖学的知識を明示的に統合した血管解剖学的マスク画像モデリング(VasoMIM)フレームワークを提案する。
VasoMIMは、解剖学的誘導マスキング戦略と解剖学的整合性損失の2つの重要な設計で構成されている。
VasoMIMとともに、これまでで最大のX線アンギオグラム事前学習データセットであるXA-170Kをキュレートする。
- 参考スコア（独自算出の注目度）: 18.553513485588564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: X-ray angiography is the gold standard imaging modality for cardiovascular diseases. However, current deep learning approaches for X-ray angiogram analysis are severely constrained by the scarcity of annotated data. While large-scale self-supervised learning (SSL) has emerged as a promising solution, its potential in this domain remains largely unexplored, primarily due to the lack of effective SSL frameworks and large-scale datasets. To bridge this gap, we introduce a vascular anatomy-aware masked image modeling (VasoMIM) framework that explicitly integrates domain-specific anatomical knowledge. Specifically, VasoMIM comprises two key designs: an anatomy-guided masking strategy and an anatomical consistency loss. The former strategically masks vessel-containing patches to compel the model to learn robust vascular semantics, while the latter preserves structural consistency of vessels between original and reconstructed images, enhancing the discriminability of the learned representations. In conjunction with VasoMIM, we curate XA-170K, the largest X-ray angiogram pre-training dataset to date. We validate VasoMIM on four downstream tasks across six datasets, where it demonstrates superior transferability and achieves state-of-the-art performance compared to existing methods. These findings highlight the significant potential of VasoMIM as a foundation model for advancing a wide range of X-ray angiogram analysis tasks. VasoMIM and XA-170K will be available at https://github.com/Dxhuang-CASIA/XA-SSL.
- Abstract（参考訳）: X線アンギオグラフィーは、心血管疾患に対する金の標準画像モダリティである。
しかし,X線アンギオグラム解析における近年の深層学習手法は,注釈データの不足により厳しく制約されている。
大規模な自己教師型学習(SSL)が有望なソリューションとして登場したが、この領域におけるそのポテンシャルは、主に効果的なSSLフレームワークと大規模なデータセットが欠如していることから、明らかにされていない。
このギャップを埋めるために、我々は、ドメイン固有の解剖学的知識を明示的に統合した血管解剖学的マスキング画像モデリング(VasoMIM)フレームワークを導入する。
具体的には、VasoMIMは解剖学的誘導マスキング戦略と解剖学的整合性損失の2つの重要な設計で構成されている。
前者は血管を含むパッチを戦略的に隠蔽し、モデルに堅牢な血管意味学を学習させ、後者は元の画像と再構成された画像の間の血管の構造的一貫性を保ち、学習された表現の識別性を高める。
VasoMIMとともに、これまでで最大のX線アンギオグラム事前学習データセットであるXA-170Kをキュレートする。
本稿では,VasoMIMを6つのデータセットにまたがる4つの下流タスクで検証する。
これらの結果は,広範囲なX線アンギオグラム解析タスクの基盤モデルとして,VasoMIMの有意義な可能性を浮き彫りにした。
VasoMIMとXA-170Kはhttps://github.com/Dxhuang-CASIA/XA-SSLで入手できる。
関連論文リスト
- Context-Aware Asymmetric Ensembling for Interpretable Retinopathy of Prematurity Screening via Active Query and Vascular Attention [1.8420107091891775]
未熟児網膜症(ROP:Retinopathy of Prematurity)は、小児期盲症の主要な原因の一つである。
現在のディープラーニングモデルは、大きなプライベートデータセットとパッシブマルチモーダル融合に大きく依存している。
本研究では,2つの専門ストリームによる臨床推論をシミュレートする文脈認識非対称アンサンブルモデル(CAAアンサンブル)を提案する。
論文 参考訳（メタデータ） (2026-02-05T02:06:26Z) - Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。
患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
論文 参考訳（メタデータ） (2026-02-02T13:07:52Z) - VasoMIM: Vascular Anatomy-Aware Masked Image Modeling for Vessel Segmentation [11.157006681644136]
我々はX線血管造影のための血管解剖学対応マスクド画像モデリング(VasoMIM)を紹介した。
VasoMIMは、解剖学的知識を事前学習プロセスに統合する。
解剖誘導マスキング戦略と解剖学的整合性損失の2つの相補的な構成要素から構成される。
VasoMIMは3つのデータセットにわたる最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-08-14T16:17:02Z) - MLVICX: Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning [6.4136876268620115]
MLVICXは、胸部X線画像からの埋め込みの形でリッチな表現をキャプチャするアプローチである。
自己教師付き胸部X線表現学習におけるMLVICXの性能を示す。
論文 参考訳（メタデータ） (2024-03-18T06:19:37Z) - Spatiotemporal Disentanglement of Arteriovenous Malformations in Digital
Subtraction Angiography [37.44819725897024]
本提案手法は, 船舶の自動分類による臨界情報を強調することにより, デジタルサブトラクション血管造影(DSA)画像シリーズを向上することを目的としている。
本法は, 臨床用DSA画像シリーズを用いて検討し, 動脈と静脈の効率的な鑑別を実証した。
論文 参考訳（メタデータ） (2024-02-15T00:29:53Z) - SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。
心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。
自動冠状動脈疾患診断では異常な成績を示した。
論文 参考訳（メタデータ） (2023-11-17T02:01:19Z) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳（メタデータ） (2023-07-06T08:27:48Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。