論文の概要: VasGuideNet: Vascular Topology-Guided Couinaud Liver Segmentation with Structural Contrastive Loss

• arxiv url: http://arxiv.org/abs/2602.21539v1
• Date: Wed, 25 Feb 2026 03:50:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.691963
• Title: VasGuideNet: Vascular Topology-Guided Couinaud Liver Segmentation with Structural Contrastive Loss
• Title（参考訳）: VasGuideNet:構造的コントラスト損失を伴う血管トポロジーガイド肝切除
• Authors: Chaojie Shen, Jingjun Gu, Zihao Zhao, Ruocheng Li, Cunyuan Yang, Jiajun Bu, Lei Wu,
• Abstract要約: 本稿では,血管トポロジで明示的にガイドされた最初のCouinaudセグメンテーションフレームワークであるVasGuideNetを提案する。 VasGuideNetのDiceスコアは83.68%、RVDは76.65%、RVDは1.68と7.08である。 UNETR、Swin UNETR、G-UNETR++などの代表的ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 15.54612173358869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate Couinaud liver segmentation is critical for preoperative surgical planning and tumor localization.However, existing methods primarily rely on image intensity and spatial location cues, without explicitly modeling vascular topology. As a result, they often produce indistinct boundaries near vessels and show limited generalization under anatomical variability.We propose VasGuideNet, the first Couinaud segmentation framework explicitly guided by vascular topology. Specifically, skeletonized vessels, Euclidean distance transform (EDT)--derived geometry, and k-nearest neighbor (kNN) connectivity are encoded into topology features using Graph Convolutional Networks (GCNs). These features are then injected into a 3D encoder--decoder backbone via a cross-attention fusion module. To further improve inter-class separability and anatomical consistency, we introduce a Structural Contrastive Loss (SCL) with a global memory bank.On Task08_HepaticVessel and our private LASSD dataset, VasGuideNet achieves Dice scores of 83.68% and 76.65% with RVDs of 1.68 and 7.08, respectively. It consistently outperforms representative baselines including UNETR, Swin UNETR, and G-UNETR++, delivering higher Dice/mIoU and lower RVD across datasets, demonstrating its effectiveness for anatomically consistent segmentation. Code is available at https://github.com/Qacket/VasGuideNet.git.
• Abstract（参考訳）: 正確なCouinaud肝分節は術前の手術計画と腫瘍の局所化に重要であるが,既存の方法では血管トポロジーを明示的にモデル化することなく,画像の強度と空間的位置の手がかりに頼っている。 その結果, 血管近傍に不明瞭な境界を生じることが多く, 解剖学的多様性の下では限定的な一般化がみられ, 血管トポロジーで明確にガイドされた最初のCouinaudセグメンテーションフレームワークであるVasGuideNetを提案する。 具体的には、骨格化された血管、ユークリッド距離変換(EDT)由来の幾何学、k-nearest neighbor(kNN)接続をグラフ畳み込みネットワーク(GCN)を用いてトポロジー特徴に符号化する。 これらの機能は、3Dエンコーダ-デコーダのバックボーンに、クロスアテンション融合モジュールを介して注入される。 Task08_HepaticVesselと私たちのプライベートLASSDデータセットでは、VasGuideNetがそれぞれ83.68%、76.65%のDiceスコアを1.68と7.08で達成しています。 UNETR、Swin UNETR、G-UNETR++などの代表的ベースラインを一貫して上回り、データセット間でより高いDice/mIoUと低いRVDを提供し、解剖学的に一貫したセグメンテーションの有効性を示す。 コードはhttps://github.com/Qacket/VasGuideNet.gitで入手できる。

関連論文リスト

• Graph Neural Networks for Surgical Scene Segmentation [10.617051271345018]
  視覚変換器(ViT)機能エンコーダとグラフニューラルネットワーク(GNN)を統合し,解剖学的領域間の空間関係を明示的にモデル化する2つのセグメンテーションモデルを提案する。 提案手法は,mIoU(Mean Intersection over Union)の最大7～8%の改善,mDice(Mean Dice)の6%改善を実現している。
  論文  参考訳（メタデータ） (2025-11-20T14:58:29Z)
• ViG3D-UNet: Volumetric Vascular Connectivity-Aware Segmentation via 3D Vision Graph Representation [13.363621889050426]
  ViG3D-UNetという名前の3Dビジョングラフニューラルネットワークフレームワークが導入された。 ViG3D-UNet法は, 連続血管セグメンテーションを容易にするために, U字型アーキテクチャ内に3次元グラフ表現とアグリゲーションを統合する。
  論文  参考訳（メタデータ） (2025-04-18T10:06:45Z)
• 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)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• 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。