論文の概要: HMS-VesselNet: Hierarchical Multi-Scale Attention Network with Topology-Preserving Loss for Retinal Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2603.21891v1
• Date: Mon, 23 Mar 2026 12:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.661559
• Title: HMS-VesselNet: Hierarchical Multi-Scale Attention Network with Topology-Preserving Loss for Retinal Vessel Segmentation
• Title（参考訳）: 網膜血管セグメンテーションのための位相保存損失を有する階層型マルチスケール注意ネットワークHMS-VesselNet
• Authors: Amarnath R,
• Abstract要約: HMS-VesselNetは階層的なマルチスケールネットワークで、異なる解像度で4つの並列ブランチにまたがるファンドイメージを処理する。 DRIVE、STARE、CHASE_DB1の68枚の画像を5倍のクロスバリデーションでテストし、平均Diceの88.72 +/- 0.67%、感度90.78 +/- 1.42%、AUCの98.25 +/- 0.21%を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Retinal vessel segmentation methods based on standard overlap losses tend to miss thin peripheral vessels because these structures occupy very few pixels and have low contrast against the background. We propose HMS-VesselNet, a hierarchical multi-scale network that processes fundus images across four parallel branches at different resolutions and combines their outputs using learned fusion weights. The training loss combines Dice, binary cross-entropy, and centerline Dice to jointly optimize area overlap and vessel continuity. Hard example mining is applied from epoch 20 onward to concentrate gradient updates on the most difficult training images. Tested on 68 images from DRIVE, STARE, and CHASE_DB1 using 5-fold cross-validation, the model achieves a mean Dice of 88.72 +/- 0.67%, Sensitivity of 90.78 +/- 1.42%, and AUC of 98.25 +/- 0.21%. In leave-one-dataset-out experiments, AUC remains above 95% on each unseen dataset. The largest improvement is in the recall of thin peripheral vessels, which are the structures most frequently missed by standard methods and most critical for early detection of diabetic retinopathy.
• Abstract（参考訳）: 標準重み付け損失に基づく網膜血管分割法は、これらの構造が極めて少ないピクセルを占有し、背景とのコントラストが低いため、細い周辺血管を欠く傾向にある。 階層型マルチスケールネットワークであるHMS-VesselNetを提案する。 トレーニング損失は、Dice、バイナリクロスエントロピー、中央Diceを組み合わせて、エリアオーバーラップと血管の連続性を共同で最適化する。 硬いサンプルマイニングは、エポック20以降から適用され、最も難しいトレーニングイメージの勾配更新に集中する。 DRIVE、STARE、CHASE_DB1の68枚の画像を5倍のクロスバリデーションでテストし、平均Diceの88.72 +/- 0.67%、感度90.78 +/- 1.42%、AUCの98.25 +/- 0.21%を達成した。 leave-one-dataset-out実験では、AUCは見当たらないデータセットの95%以上を維持している。 最大の改善点は、糖尿病網膜症を早期に検出する上で最も重要な、標準的な方法によって最も頻繁に見逃される構造である、薄い末梢血管のリコールである。

関連論文リスト

• Robust automatic brain vessel segmentation in 3D CTA scans using dynamic 4D-CTA data [9.67851559401684]
  動的4D-CTA頭部スキャンを用いた脳血管造影法を開発した。 我々は、動的4D-CTAコレクションから複数のフェーズに同じセグメンテーションを用いて、地上の真理アノテーションに基づいてディープラーニングモデルを訓練する。 対象は,25例の訓練画像110例,14例の検査画像165例であった。
  論文  参考訳（メタデータ） (2026-01-30T23:10:48Z)
• AortaDiff: A Unified Multitask Diffusion Framework For Contrast-Free AAA Imaging [7.769952833857425]
  非コントラストCTスキャンから合成CECT画像を生成する統合ディープラーニングフレームワークを提案する。 本研究では,条件拡散モデル(CDM)とマルチタスク学習を統合し,画像合成と解剖学的セグメンテーションのエンドツーエンド共同最適化を実現する。
  論文  参考訳（メタデータ） (2025-10-01T22:19:27Z)
• 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)
• Novel Extraction of Discriminative Fine-Grained Feature to Improve Retinal Vessel Segmentation [18.968955885340797]
  本稿では,AttUKANという新しいU字型コルモゴロフ・アルノルドネットワークを提案する。 我々は、モデル感度を高めるために、コルモゴロフ・アルノルドネットワークにアテンションゲートを実装した。 我々はまた、提案したAttUKANを監督するために、新しいラベル誘導のPixel-wise Contrastive Lossを設計する。
  論文  参考訳（メタデータ） (2025-05-06T18:03:41Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• 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)
• Automated segmentation of microvessels in intravascular OCT images using deep learning [0.0]
  血管内光コヒーレンス断層撮影(IV OCT)画像における微小血管の自動検出法を開発した。 85病変,37病変から8,403例のOCT画像フレームを解析した。 本手法は,698枚の画像フレームに微小血管が存在するのに対し,手動による解析では730枚の画像フレームが4.4%の差を示した。
  論文  参考訳（メタデータ） (2022-10-01T02:14:14Z)
• Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency [0.06117371161379209]
  本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。 本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T10:00:03Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。