Fugu-MT 論文翻訳(概要): VesselFusion: Diffusion Models for Vessel Centerline Extraction from 3D CT Images

論文の概要: VesselFusion: Diffusion Models for Vessel Centerline Extraction from 3D CT Images

arxiv url: http://arxiv.org/abs/2603.08135v1
Date: Mon, 09 Mar 2026 09:14:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-10 15:13:15.728505
Title: VesselFusion: Diffusion Models for Vessel Centerline Extraction from 3D CT Images
Title（参考訳）: 血管融合:3次元CT画像からの血管中心線抽出のための拡散モデル
Authors: Soichi Mita, Shumpei Takezaki, Ryoma Bise,
Abstract要約: VesselFusionは3次元CT画像から血管中心線を抽出する拡散モデルである。 VesselFusionは一般に公開されているCT画像データセットで評価され、従来の手法よりも高い抽出精度とより自然な結果を得た。
参考スコア（独自算出の注目度）: 4.919385975609114
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vessel centerline extraction from 3D CT images is an important task because it reduces annotation effort to build a model that estimates a vessel structure. It is challenging to estimate natural vessel structures since conventional approaches are deterministic models, which cannot capture a complex human structure. In this study, we propose VesselFusion, which is a diffusion model to extract the vessel centerline from 3D CT image. The proposed method uses a coarse-to-fine representation of the centerline and a voting-based aggregation for a natural and stable extraction. VesselFusion was evaluated on a publicly available CT image dataset and achieved higher extraction accuracy and a more natural result than conventional approaches.
Abstract（参考訳）: 3次元CT画像からの血管中心線抽出は、血管構造を推定するモデルを構築するためのアノテーションの労力を減らすため、重要な課題である。従来のアプローチは決定論的モデルであり、複雑な人間の構造を捉えることができないため、自然血管構造を推定することは困難である。本研究では,3次元CT画像から血管中心線を抽出する拡散モデルであるVesselFusionを提案する。提案手法では, 中心線の粗大な表現と, 投票に基づくアグリゲーションを用いて, 自然かつ安定な抽出を行う。 VesselFusionは一般に公開されているCT画像データセットで評価され、従来の手法よりも高い抽出精度とより自然な結果を得た。

関連論文リスト

Physics-Inspired Gaussian Kolmogorov-Arnold Networks for X-ray Scatter Correction in Cone-Beam CT [4.755673280178128]
コーンビームCT(CBCT)は平らなパネル検出器を用いて高解像度の3次元イメージングを実現する。 CBCTは、再構成画像におけるCT値バイアスと組織コントラストの低下をもたらすデータ取得時に散乱を受けやすい。本研究では,物理先行知識に触発された深層学習に基づく散在物補正手法を提案する。
論文参考訳（メタデータ） (2025-10-28T16:13:14Z)
Score Distillation of Flow Matching Models [67.86066177182046]
我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。 SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
論文参考訳（メタデータ） (2025-09-29T17:45:48Z)
Tunable-Generalization Diffusion Powered by Self-Supervised Contextual Sub-Data for Low-Dose CT Reconstruction [5.107409624991683]
Tunable-geneRalizatioN Diffusion (TurnDiff) は低用量CT再構成のための自己教師付き文脈データを用いている。 TurnDiffは、再構築と一般化の両方において、最先端の手法を一貫して上回っている。
論文参考訳（メタデータ） (2025-09-28T13:50:29Z)
An Anisotropic Cross-View Texture Transfer with Multi-Reference Non-Local Attention for CT Slice Interpolation [14.362801452711466]
臨床実践では、CT画像は通常、高コストのメモリストレージと操作時間のために大きなスライス厚で取得される。深層学習に基づく超解像法はスライス間分解能を改善するために開発された。 3次元CTボリュームの異方性特性をフル活用して,CTスライスのための新しい横方向テクスチャ転送手法を提案する。
論文参考訳（メタデータ） (2025-09-24T15:32:39Z)
BridgeSplat: Bidirectionally Coupled CT and Non-Rigid Gaussian Splatting for Deformable Intraoperative Surgical Navigation [69.14180476971602]
変形可能な手術ナビゲーションのための新しいアプローチであるBridgeSplatを紹介する。提案手法は3次元ガウスをCTメッシュにリグし,ガウスパラメータとメッシュ変形の合同最適化を可能にする。シミュレーションにより,BridgeSplatがブタの内臓手術およびヒト肝臓の合成データに与える影響を実証した。
論文参考訳（メタデータ） (2025-09-23T01:09:36Z)
PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
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)
Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest CT Images [1.8692254863855962]
胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
論文参考訳（メタデータ） (2021-07-03T21:46:29Z)
Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。この課題を解決するためのハイブリッド表現学習手法を提案します。
論文参考訳（メタデータ） (2020-12-14T05:22:49Z)
Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。