論文の概要: Anatomy-Informed Deep Learning for Abdominal Aortic Aneurysm Segmentation

• arxiv url: http://arxiv.org/abs/2604.10312v1
• Date: Sat, 11 Apr 2026 18:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.950558
• Title: Anatomy-Informed Deep Learning for Abdominal Aortic Aneurysm Segmentation
• Title（参考訳）: 腹部大動脈瘤解離に対する解剖学的インフォームドディープラーニング
• Authors: Osamah Sufyan, Martin Brückmann, Ralph Wickenhöfer, Babette Dellen, Uwe Jaekel,
• Abstract要約: 臓器除去マスクをトレーニングプロセスに統合する解剖学的認識型セグメンテーションフレームワークを提案する。 これらのマスクは、非血管器官を同定し、これらの領域内での動脈瘤の予測をペナルティ化することによって、明確な解剖学的先行を符号化する。 比較的小さなデータセットでトレーニングされているにもかかわらず、解剖学的に高い精度を実現し、偽陽性を大幅に低減し、標準のU-Netベースラインと比較して境界の整合性を改善する。
• 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: In CT angiography, the accurate segmentation of abdominal aortic aneurysms (AAAs) is difficult due to large anatomical variability, low-contrast vessel boundaries, and the close proximity of organs whose intensities resemble vascular structures, often leading to false positives. To address these challenges, we propose an anatomy-aware segmentation framework that integrates organ exclusion masks derived from TotalSegmentator into the training process. These masks encode explicit anatomical priors by identifying non-vascular organsand penalizing aneurysm predictions within these regions, thereby guiding the U-Net to focus on the aorta and its pathological dilation while suppressing anatomically implausible predictions. Despite being trained on a relatively small dataset, the anatomy-aware model achieves high accuracy, substantially reduces false positives, and improves boundary consistency compared to a standard U-Net baseline. The results demonstrate that incorporating anatomical knowledge through exclusion masks provides an efficient mechanism to enhance robustness and generalization, enabling reliable AAA segmentation even with limited training data.
• Abstract（参考訳）: CT血管造影では,腹部大動脈瘤(AAA)の正確な分節は,大きな解剖学的変動,低コントラスト血管境界,血管構造に類似した臓器の近接により困難であり,しばしば偽陽性となる。 これらの課題に対処するために,TotalSegmentator 由来の臓器除去マスクをトレーニングプロセスに統合する解剖学的認識型セグメンテーションフレームワークを提案する。 これらのマスクは、これらの領域内で非血管性臓器とペナルティ化動脈瘤の予測を同定し、解剖学的に不可解な予測を抑えながら、U-Netに大動脈とその病的拡張に焦点を当てるよう誘導することにより、明確な解剖学的先行を符号化する。 比較的小さなデータセットでトレーニングされているにもかかわらず、解剖学的認識モデルは高い精度を実現し、偽陽性を大幅に低減し、標準のU-Netベースラインと比較して境界の整合性を改善する。 その結果, 解剖学的知識を排除マスクに組み込むことで, 堅牢性や一般化を向上し, 限られたトレーニングデータでも信頼性の高いAAAセグメンテーションが可能であることがわかった。

関連論文リスト

• Uncertainty-Guided Coarse-to-Fine Tumor Segmentation with Anatomy-Aware Post-Processing [12.163563962576587]
  胸部CT検査では, 境界の曖昧さ, クラス不均衡, 解剖学的変動が原因で, 腫瘍の切除が困難である。 本報告では, 完全体積腫瘍局在化と高精細領域(ROI)セグメンテーションを併用した不確実性誘導粗いセグメンテーションフレームワークを提案する。 プライベートデータセットとパブリックデータセットの実験では、DiceとHausdorffのスコアが改善され、偽陽性が減り、空間的解釈性が向上した。
  論文  参考訳（メタデータ） (2025-04-16T16:08:38Z)
• MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
  MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する 本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。 さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
  論文  参考訳（メタデータ） (2023-12-04T21:46:39Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)
• Anatomy X-Net: A Semi-Supervised Anatomy Aware Convolutional Neural Network for Thoracic Disease Classification [3.888080947524813]
  この研究は、解剖学的注意に基づくアーキテクチャAnatomy X-Netを提案する。 事前に同定された解剖学的領域によって導かれる空間的特徴を優先する。 提案手法は,AUCスコアが0.8439のNIHテストセットに対して,新しい最先端性能を設定できる。
  論文  参考訳（メタデータ） (2021-06-10T17:01:23Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)

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。