論文の概要: CDSA-Net:Collaborative Decoupling of Vascular Structure and Background for High-Fidelity Coronary Digital Subtraction Angiography

• arxiv url: http://arxiv.org/abs/2604.17208v1
• Date: Sun, 19 Apr 2026 02:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.390693
• Title: CDSA-Net:Collaborative Decoupling of Vascular Structure and Background for High-Fidelity Coronary Digital Subtraction Angiography
• Title（参考訳）: CDSA-Net : 血管構造の協調的解離と高忠実度冠動脈デジタルサブトラクション血管造影の背景
• Abstract要約: 冠動脈画像におけるデジタルサブトラクション(DSA)は、生理学的運動によって根本的に困難である。 本稿では,CDSA-Netと呼ばれる新しい枠組みを提案する。 モルフォロジー評価効率は25.6%改善し、血行力学的評価速度は42.9%向上した。
• 参考スコア（独自算出の注目度）: 6.9238365464763545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital subtraction angiography (DSA) in coronary imaging is fundamentally challenged by physiological motion, forcing reliance on raw angiograms cluttered with anatomical noise. Existing deep learning methods often produced images with two critical clinically unacceptable flaws: persistent boundary artifacts and a loss of native tissue grayscale fidelity that undermined diagnostic confidence. We propose a novel framework termed as CDSA-Net that for the first time explicitly decouples and jointly optimizes vascular structure preservation and realistic background restoration. CDSA-Net introduces two core innovations: (i) A hierarchical geometric prior guidance (HGPG) mechanism, embedded in our coronary structure extraction network (CSENet). It synergistically combines integrated geometric prior (IGP) with gated spatial modulation (GSM) and centerline-aware topology (CAT) loss supervision, ensuring structural continuity. (ii) An adaptive noise module (ANM) within our coronary background restoration network (CBResNet). Unlike standard restoration, ANM uniquely models the stochastic nature of clinical X-ray noise, bridging the domain gap to enable seamless background intensity estimation and the complete elimination of boundary artifacts. The final subtraction is obtained by removing the restored background from the raw angiogram. Quantitatively, it significantly outperformed state-of-the-art methods in vascular intensity correlation and perceptual quality. A 25.6% improvement in morphology assessment efficiency and a 42.9% gain in hemodynamic evaluation speed set a new benchmark for utility in interventional cardiology, while maintaining diagnostic results consistent with raw angiograms. The project code is available at https://github.com/DrThink-ai/CDSA-Net.
• Abstract（参考訳）: 冠動脈造影におけるDSA(Digital subtraction angiography)は, 解剖学的ノイズを伴い, 生血管造影に頼らざるを得なかった。 既存のディープラーニング手法は、2つの重要な臨床的に受け入れられない欠陥、すなわち、持続的な境界アーチファクトと、診断の信頼性を損なうネイティブ組織グレースケールの忠実さの喪失を生んだ。 本稿では,CDSA-Netと呼ばれる新しい枠組みを提案する。 CDSA-Netは2つの中心的イノベーションを紹介している。 (i) 冠状構造抽出ネットワーク(CSENet)に埋め込まれた階層的幾何学的事前ガイダンス(HGPG)機構。 統合幾何前駆体(IGP)とゲート空間変調(GSM)とセンターライン認識トポロジー(CAT)損失監視を相乗的に組み合わせ、構造的連続性を確保する。 (II)冠状動脈バックグラウンド修復ネットワーク(CBResNet)内の適応ノイズモジュール(ANM)について検討した。 標準的な修復とは異なり、ANMは臨床X線ノイズの確率的性質を一意にモデル化し、背景強度のシームレスな推定と境界アーチファクトの完全な除去を可能にするために、領域ギャップを埋める。 復元された背景を生血管造影から除去して最終減算を得る。 定量的には,血管の強度相関と知覚品質において,最先端の手法よりも有意に優れていた。 モルフォロジー評価効率は25.6%改善し、血行動態評価速度は42.9%向上した。 プロジェクトのコードはhttps://github.com/DrThink-ai/CDSA-Netで公開されている。

関連論文リスト

• GenDiff: A Dose and Anatomy Aware Diffusion Model with Structural Prior Refinement for Low-Dose CT Reconstruction and Generalization [0.0]
  我々は低用量CT再構成のための一般化可能な拡散ベースフレームワークであるGenDiffを提案する。 我々は、GenDiffが最先端の畳み込みニューラルネットワークと拡散に基づく再構成手法を一貫して上回っていることを示す。 提案手法は, 異なる線量レベル, 解剖学的領域, 獲得領域にまたがる強靭性を保ちながら, より優れた再現性を実現する。
  論文  参考訳（メタデータ） (2026-07-11T09:05:51Z)
• DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling [14.938419722549575]
  低線量CT(LDCT)プロトコルは放射線リスクを低減させるが、診断精度を損なう重いノイズや人工物に必然的に苦しむ。 LDCTに視覚オートレモデリングを適用した新しい生成フレームワークを提案する。 我々のハイブリッドNDCTデコーダは、連続的および離散的な潜像をシームレスに統合し、高忠実で詳細保存された画像の再構成を行う。
  論文  参考訳（メタデータ） (2026-06-26T09:55:37Z)
• CORA: A Pathology Synthesis Driven Foundation Model for Coronary CT Angiography Analysis and MACE Risk Assessment [7.00689933116151]
  CORAは、総合的な心血管リスク評価のための3次元視覚基盤モデルである。 12,801枚の冠動脈造影CTの大規模コホートでCORAを訓練した。 CORAは最先端の3Dビジョンファウンデーションモデルを上回っ、最大29%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2026-03-25T22:28:31Z)
• Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction [72.80209358480424]
  ヨウ素化コントラスト培地(ICM)の過剰摂取は、腎臓の損傷と致命的なアレルギー反応を引き起こす。 深層学習法は、低線量ICMから正常線量ICMのCT画像を生成することができ、必要な線量を減らすことができる。 本研究では,構造シナジーと空間知性を統合した構造制約型言語情報拡散モデル(SLDM)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T06:54:06Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• SFD-Mamba2Net: Structure-Guided Frequency-Enhanced Dual-Stream Mamba2 Network for Coronary Artery Segmentation [10.610715643574034]
  侵襲冠動脈造影(ICA)はCAD診断における金の基準とされている。 ICA画像の特徴は、低コントラスト、高ノイズレベル、複雑で微細な血管構造である。 ICAをベースとした血管分割と狭窄検出に適したエンドツーエンドフレームワークであるSFD-Mamba2Netを提案する。
  論文  参考訳（メタデータ） (2025-09-10T18:58:45Z)
• Revolutionizing Brain Tumor Imaging: Generating Synthetic 3D FA Maps from T1-Weighted MRI using CycleGAN Models [18.167577989282247]
  本稿では,T1強調MRIスキャンから直接FAマップを生成するためのCycleGANに基づくアプローチを提案する。 提案モデルでは,未確認データに基づいて高忠実度マップを作製し,特に腫瘍領域での強靭な性能を示す。
  論文  参考訳（メタデータ） (2025-05-06T16:05:22Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal Artifact Reduction [15.225899631788973]
  金属インプラントはCTスキャンでX線を著しく減衰させ、再構成された画像に深刻なアーティファクトをもたらす。 CTにおける金属アーチファクト低減(MAR)のためのネットワークモデルがいくつか提案されている。 MARのための新しいデュアルドメイン適応スケーリング非ローカルネットワーク(DAN-Net)を紹介します。
  論文  参考訳（メタデータ） (2021-02-16T08:09:16Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。