論文の概要: ELEMENT: Multi-Modal Retinal Vessel Segmentation Based on a Coupled Region Growing and Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2605.20458v1
• Date: Tue, 19 May 2026 20:12:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.359093
• Title: ELEMENT: Multi-Modal Retinal Vessel Segmentation Based on a Coupled Region Growing and Machine Learning Approach
• Title（参考訳）: ELement: 複合領域成長と機械学習アプローチに基づくマルチモーダル網膜血管セグメンテーション
• Authors: Erick O. Rodrigues, Aura Conci, Panos Liatsis,
• Abstract要約: 提案するフレームワークは,領域成長と機械学習を用いた特徴抽出と画素ベース分類で構成されている。 提案手法は,26の最先端手法のうち25の手法と比較して,97.40%の精度で全体の性能を向上した。 STARE、CHASE-DB、VAMPIRE FA、IOSTAR SLO、RC-SLOの場合、提案されたフレームワークは、それぞれ98.27%、97.78%、98.34%、98.04%、98.35%の精度で最先端の手法をすべて上回った。
• 参考スコア（独自算出の注目度）: 1.9952557298945826
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vascular structures in the retina contain important information for the detection and analysis of ocular diseases, including age-related macular degeneration, diabetic retinopathy and glaucoma. Commonly used modalities in diagnosis of these diseases are fundus photography, scanning laser ophthalmoscope (SLO) and fluorescein angiography (FA). Typically, retinal vessel segmentation is carried out either manually or interactively, which makes it time consuming and prone to human errors. In this research, we propose a new multi-modal framework for vessel segmentation called ELEMENT (vEsseL sEgmentation using Machine lEarning and coNnecTivity). This framework consists of feature extraction and pixel-based classification using region growing and machine learning. The proposed features capture complementary evidence based on grey level and vessel connectivity properties. The latter information is seamlessly propagated through the pixels at the classification phase. ELEMENT reduces inconsistencies and speeds up the segmentation throughput. We analyze and compare the performance of the proposed approach against state-of-the-art vessel segmentation algorithms in three major groups of experiments, for each of the ocular modalities. Our method produced higher overall performance, with an overall accuracy of 97.40%, compared to 25 of the 26 state-of-the-art approaches, including six works based on deep learning, evaluated on the widely known DRIVE fundus image dataset. In the case of the STARE, CHASE-DB, VAMPIRE FA, IOSTAR SLO and RC-SLO datasets, the proposed framework outperformed all of the state-of-the-art methods with accuracies of 98.27%, 97.78%, 98.34%, 98.04% and 98.35%, respectively.
• Abstract（参考訳）: 網膜の血管構造は、加齢に伴う黄斑変性、糖尿病網膜症、緑内障などの眼疾患の検出と解析に重要な情報を含んでいる。 これらの疾患の診断に一般的に用いられるモダリティは、眼底撮影、走査型レーザー眼鏡(SLO)、フルオレセイン血管造影(FA)である。 通常、網膜血管のセグメンテーションは手動または対話的に行われるため、人間のエラーに時間がかかる。 本研究では, ELement (vEsseL sEgmentation using Machine lEarning and coNnecTivity。 このフレームワークは、領域の成長と機械学習を用いた特徴抽出と画素ベースの分類で構成されている。 提案した特徴は、グレーレベルと船体接続性に基づく相補的なエビデンスをキャプチャする。 後者の情報は、分類フェーズにおいて画素を介してシームレスに伝播される。 ELementは不整合を減らし、セグメンテーションスループットを高速化する。 本研究は,3つの実験群における最先端血管分割アルゴリズムに対する提案手法の性能を,それぞれの眼球運動に対して解析・比較するものである。 提案手法は,ディープラーニングに基づく6つの研究を含む26の最先端手法の25に対して,97.40%の精度で総合的な性能向上を実現した。 STARE、CHASE-DB、VAMPIRE FA、IOSTAR SLO、RC-SLOのデータセットの場合、提案されたフレームワークは、それぞれ98.27%、97.78%、98.34%、98.04%、98.35%の精度で最先端の手法をすべて上回った。

関連論文リスト

• Fundus Image-based Glaucoma Screening via Retinal Knowledge-Oriented Dynamic Multi-Level Feature Integration [29.89152706520972]
  本稿では,動的マルチスケール特徴学習とドメイン固有網膜前駆体を統合した知識指向緑内障スクリーニングフレームワークを提案する。 動的ウィンドウ機構は、診断情報領域を適応的に識別するために考案された。 知識強化畳み込み注意モジュールは、事前訓練された基礎モデルから抽出された網膜前駆体を組み込んで注意学習を誘導する。
  論文  参考訳（メタデータ） (2026-04-14T06:38:42Z)
• UOPSL: Unpaired OCT Predilection Sites Learning for Fundus Image Diagnosis Augmentation [47.08936359575974]
  我々は,OCTから派生した空間的先行情報を用いて,捕食部位を動的に識別する新しい無ペアマルチモーダルフレームワーク UOPSL を提案する。 我々のアプローチは、拡張された病気のテキスト記述を通して、未治療の根本とOCTを橋渡しする。 28の重要カテゴリにわたる9つの多様なデータセットで実施された実験は、我々のフレームワークが既存のベンチマークを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-10T14:19:59Z)
• A better approach to diagnose retinal diseases: Combining our Segmentation-based Vascular Enhancement with deep learning features [3.717366858126521]
  網膜基底像の異常は特定の病態を示す可能性がある。 従来の医学では、網膜関連疾患の診断は、医師の網膜基底画像の主観的評価に依存している。 本稿では,網膜基底画像関連疾患の迅速かつ客観的かつ正確な診断法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T13:52:40Z)
• 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)
• RAVIR: A Dataset and Methodology for the Semantic Segmentation and Quantitative Analysis of Retinal Arteries and Veins in Infrared Reflectance Imaging [7.316426736150123]
  Infrared Reflectance (IR) 画像における網膜動脈と静脈のセグメンテーションのための新しいデータセット RAVIR を提案する。 本稿では,網膜動脈と静脈のセマンティックセグメンテーションのための,新しい深層学習手法を提案する。 本実験は,SegRAVIRの有効性を検証し,最先端モデルと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-28T17:30:29Z)
• Contextual Information Enhanced Convolutional Neural Networks for Retinal Vessel Segmentation in Color Fundus Images [0.0]
  自動網膜血管セグメンテーションシステムは、臨床診断及び眼科研究を効果的に促進することができる。 ディープラーニングベースの手法が提案され、いくつかのカスタマイズされたモジュールが有名なエンコーダデコーダアーキテクチャU-netに統合されている。 その結果,提案手法は先行技術よりも優れ,感性/リコール,F1スコア,MCCの最先端性能を実現している。
  論文  参考訳（メタデータ） (2021-03-25T06:10:47Z)
• Transfer Learning Through Weighted Loss Function and Group Normalization for Vessel Segmentation from Retinal Images [0.0]
  血管の血管構造は緑内障や糖尿病網膜症などの網膜疾患の診断に重要である。 深層学習とトランスファー学習を併用した網膜血管のセグメンテーション手法を提案する。 提案手法は,他の手法よりもセグメンテーション精度が高い。
  論文  参考訳（メタデータ） (2020-12-16T20:34:48Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。