論文の概要: Uncertainty-Guided Conservative Propagation for Structured Inference in Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2605.20543v1
• Date: Tue, 19 May 2026 22:31:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.402079
• Title: Uncertainty-Guided Conservative Propagation for Structured Inference in Vessel Segmentation
• Title（参考訳）: 血管セグメンテーションにおける構造推論のための不確実性誘導型保守プロパゲーション
• Authors: Huan Huang, Michele Esposito, Chen Zhao,
• Abstract要約: Uncertainty-Guided Conservative Propagation (UGCP)は,コンテナセグメンテーション用のプラグインモジュールである。 予測の不確実性は、不明瞭な地域を支援するための信頼性のある地域を導く。 構造対応変調とソースベースの安定化は、信頼性の低い伝播と過剰なドリフトを減少させる。
• 参考スコア（独自算出の注目度）: 10.73944733412427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate vessel segmentation is essential for medical image analysis, yet remains challenging due to complex vascular patterns and imaging ambiguity. Most deep models rely on single-pass prediction, limiting their ability to refine uncertain or disconnected regions during inference. To address this limitation, we propose Uncertainty-Guided Conservative Propagation (UGCP), a general plug-in module for vessel segmentation. Instead of directly using a one-shot output as the final prediction, UGCP performs a small number of logit-space update steps to refine the segmentation through local predictions interaction. Predictive uncertainty guides reliable regions to support ambiguous regions, while structure-aware modulation and source-based stabilization reduce unreliable propagation and excessive drift. The module is differentiable and can be trained end-to-end with different segmentation networks. We evaluate UGCP on four public vessel segmentation datasets covering 2D and 3D tasks, including retinal vessel, coronary artery, and cerebral vessel segmentation. Experiments with convolutional neural network-based and Transformer-based backbones show consistent improvements in Dice similarity coefficient, centerline Dice, and 95th percentile Hausdorff distance. Further analysis demonstrates that UGCP reduces vessel disconnections and improves structural consistency with limited additional computation. The code will be made available at https://github.com/chenzhao2023/UGC_PR.
• Abstract（参考訳）: 医用画像解析には正確な血管分割が不可欠であるが, 複雑な血管パターンや画像の曖昧さが原因で, いまだに困難である。 ほとんどのディープモデルはシングルパス予測に依存しており、推論中に不確定領域や非連結領域を精査する能力を制限する。 この制限に対処するため,血管分割のための一般的なプラグインモジュールであるUncertainty-Guided Conservative Propagation (UGCP)を提案する。 最終的な予測としてワンショット出力を直接使用する代わりに、UGCPはローカルな予測インタラクションを通じてセグメンテーションを洗練するために、少数のロジトスペース更新ステップを実行する。 予測の不確実性は、不明瞭な領域をサポートするための信頼性のある領域を導く一方で、構造を考慮した変調とソースベースの安定化は、信頼性の低い伝播と過剰なドリフトを減少させる。 モジュールは差別化可能であり、異なるセグメンテーションネットワークでエンドツーエンドにトレーニングすることができる。 網膜血管,冠動脈,血管の分節を含む2次元および3次元の課題をカバーする4つのパブリック血管分節データセットを用いて,UGCPを評価した。 畳み込みニューラルネットワークとTransformerベースのバックボーンを用いた実験では、Dice類似度係数、中心線Dice、95%のHausdorff距離が一貫した改善が見られた。 さらなる分析により、UGCPは船体の切断を減らし、限られた計算量で構造的整合性を向上させることが示されている。 コードはhttps://github.com/chenzhao2023/UGC_PRで公開される。

関連論文リスト

• UHR-Net: An Uncertainty-Aware Hypergraph Refinement Network for Medical Image Segmentation [8.273126013629057]
  不確実性を考慮したハイパーグラフリファインメントネットワーク(UHR-Net)を提案する。 本研究では,不確実性指向型インスタンス・コントラスト(UO-IC)事前学習戦略を導入する。 第二に、不確実性誘導ハイパーグラフ精細化(UGHR)ブロックを設計し、エントロピーに基づく不確実性マップを粗い確率マップから導出し、ハイパーグラフ精細化を導出する。
  論文  参考訳（メタデータ） (2026-04-30T16:38:51Z)
• Efficient KernelSHAP Explanations for Patch-based 3D Medical Image Segmentation [0.7178174536168246]
  本稿では,ユーザ定義の関心領域と受容野サポートに基づく3次元医用画像セグメンテーションのための効率的なフレームワークを提案する。 キャッシュは冗長な計算を著しく削減し(15%から30%)、忠実さと解釈性が明確なトレードオフを示すことを示す。
  論文  参考訳（メタデータ） (2026-04-13T17:43:33Z)
• From GEV to ResLogit: Spatially Correlated Discrete Choice Models for Pedestrian Movement Prediction [1.8262547855491453]
  我々は、歩行者の次のステップ選択を、速度調整と方向変更のグリッドによって定義される空間的な離散的な選択として定式化する。 密度の高い高頻度空間選択セットでは、学習に基づく残差補正は、アナリストが指定したGEVネスト構造よりも、近接誘導相関を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2026-03-01T23:50:33Z)
• VasGuideNet: Vascular Topology-Guided Couinaud Liver Segmentation with Structural Contrastive Loss [15.54612173358869]
  本稿では,血管トポロジで明示的にガイドされた最初のCouinaudセグメンテーションフレームワークであるVasGuideNetを提案する。 VasGuideNetのDiceスコアは83.68%、RVDは76.65%、RVDは1.68と7.08である。 UNETR、Swin UNETR、G-UNETR++などの代表的ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-25T03:50:48Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• 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)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• 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。