Fugu-MT 論文翻訳(概要): Sparse Representation Learning for Vessels

論文の概要: Sparse Representation Learning for Vessels

arxiv url: http://arxiv.org/abs/2605.01382v1
Date: Sat, 02 May 2026 11:10:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:49.742012
Title: Sparse Representation Learning for Vessels
Title（参考訳）: 容器のスパース表現学習
Authors: Chinmay Prabhakar, Bastian Wittmann, Paul Büschl, Hongwei Bran Li, Bjoern Menze, Suprosanna Shit,
Abstract要約: VAEsselSparseは効率の良いエンコーダデコーダモデルであり、サブミリ波分解能で臓器レベルの血管網全体の意味のある表現を得る。 VAEsselSparseはスパース・コンボリューションとアテンション・メカニズムを通じて3次元血管構造の性質を生かし、8×8×8の空間圧縮速度を実現している。
参考スコア（独自算出の注目度）: 4.292263144355923
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Analyzing human vasculature and vessel-like, tubular structures, such as airways, is crucial for disease diagnosis and treatment. Current methods often rely on small sub-regions or simplified tree-like structures, rendering analysis of entire organ-level networks at clinical resolution computationally challenging. To this end, we propose VAEsselSparse, an efficient encoder-decoder model to obtain a meaningful yet compact representation of the entire organ-level vascular network at sub-millimeter resolution. VAEsselSparse leverages the inherent sparsity of 3D vascular structures via sparse convolutions and attention mechanisms, achieving substantial spatial compression rates of 8 x 8 x 8. We demonstrate superior reconstruction performance compared to dense counterparts and previous methods. Importantly, the resulting latent space retains clinically relevant discriminative features readily usable for classification tasks, such as aneurysm/stenosis or subvariants of the circle of Willis. Moreover, the compact latent space of VAEsselSparse serves as an effective representation for learning vessel-specific priors through generative models, enabling the synthesis of realistic vasculature.
Abstract（参考訳）: 気道のようなヒトの血管や血管のような管状構造を解析することは、疾患の診断と治療に不可欠である。現在の手法は、しばしば小さなサブリージョンや単純化された木のような構造に依存し、臨床解像度での臓器レベルのネットワーク全体の解析を計算的に困難にしている。そこで本研究では,臓器レベルの血管網全体を,低ミリ波分解能で有意義にコンパクトに表現するために,効率的なエンコーダデコーダモデルであるVAEsselSparseを提案する。 VAEsselSparseはスパース・コンボリューションとアテンション・メカニズムを通じて3次元血管構造の性質を生かし、8×8×8の空間圧縮速度を実現している。提案手法は,高密度化と従来手法に比べて優れた復元性能を示す。重要なことに、結果として生じる潜伏空間は、大動脈瘤/狭窄やウィリスの輪の亜変種のような分類タスクに容易に利用できる臨床的に関連性のある識別的特徴を保っている。さらに、VAEsselSparseのコンパクト潜伏空間は、生成モデルによる血管特異的先行学習の効果的な表現として機能し、現実的な血管構築を可能にする。

関連論文リスト

VesselTok: Tokenizing Vessel-like 3D Biomedical Graph Representations for Reconstruction and Generation [5.5556283437830665]
VesselTokは、パラメトリックな形状の観点から、空間的に密集したグラフにアプローチするフレームワークである。我々は, 管状構造のニューラル暗黙表現を符号化するために, 中心点に条件付けされた新しい潜在表現を学習する。肺気道,肺血管,脳血管など,様々な解剖学におけるVesselTokの性能を実証した。
論文参考訳（メタデータ） (2026-03-19T11:46:21Z)
OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
論文参考訳（メタデータ） (2026-02-18T00:42:41Z)
VFGS-Net: Frequency-Guided State-Space Learning for Topology-Preserving Retinal Vessel Segmentation [14.615144175462051]
本稿では、周波数認識機能強化、デュアルパス畳み込み表現学習、および統一アーキテクチャ内の非対称空間状態空間モデリングをシームレスに統合するエンドツーエンドセグメンテーションフレームワークを提案する。本モデルでは, 細血管, 複雑な分岐パターン, 低コントラスト領域のセグメンテーション精度を常に改善し, その堅牢性と臨床応用の可能性を強調した。
論文参考訳（メタデータ） (2026-02-11T16:07:29Z)
PASC-Net:Plug-and-play Shape Self-learning Convolutions Network with Hierarchical Topology Constraints for Vessel Segmentation [9.102738065373615]
PASCNetと呼ばれる新しい容器分割フレームワークを提案する。コンボリューションカーネル設計を最適化するプラグイン・アンド・プレイ型のセルフラーニング・コンボリューション(SSL)モジュールと、トポロジ的制約を通じて血管接続を保証する階層型トポロジカル・制約(HTC)モジュールである。 nnUNetフレームワークに統合された場合,本手法は複数の指標において他の手法よりも優れ,最先端の血管セグメンテーション性能が得られた。
論文参考訳（メタデータ） (2025-07-05T11:28:35Z)
Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [61.48804987263701]
解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。 CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。 CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
論文参考訳（メタデータ） (2025-06-02T17:07:10Z)
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)
Deep vessel segmentation with joint multi-prior encoding [2.8518403379315127]
単一潜在空間に形状とトポロジーを組み込んだ新しいジョイント先行符号化機構を提案する。本手法の有効性を3D-IRCADbデータセットで実証した。
論文参考訳（メタデータ） (2024-09-18T22:03:46Z)
Morphology Edge Attention Network and Optimal Geometric Matching Connection model for vascular segmentation [3.6368619769561668]
本稿では,容器状構造物のセグメンテーションのための新しい形態的エッジアテンションネットワーク(MEA-Net)を提案する。また、壊れた容器セグメントを接続するための最適幾何マッチング接続(OGMC)モデルを提案する。本手法は,3次元血管分割作業の4つのデータセットにおける最先端手法と比較して,優れた,あるいは競争的な結果が得られる。
論文参考訳（メタデータ） (2023-06-02T01:52:35Z)
Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文参考訳（メタデータ） (2020-10-09T08:22:54Z)
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文参考訳（メタデータ） (2020-07-18T05:46:47Z)

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。