論文の概要: MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation

• arxiv url: http://arxiv.org/abs/2605.25363v1
• Date: Mon, 25 May 2026 02:32:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.256556
• Title: MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation
• Title（参考訳）: MARVEL:Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation
• Authors: Yi Zhou, Thiara Sana Ahmed, Jacqueline Chua, Meng Wang, Qinrong Zhang, Alejandro F. Frangi, Huazhu Fu, Jun Cheng, Leopold Schmetterer, Bingyao Tan,
• Abstract要約: 血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
• 参考スコア（独自算出の注目度）: 75.40785674602147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vascular circulation follows fundamental biophysical principles that optimize mass transport and metabolic energy expenditure, which can be effectively modeled by Murray's law. However, contemporary deep learning methods for vascular segmentation often neglect these biophysical constraints. This leads to physiologically implausible branching and misclassification vascular trees, rendering. These automated segmentation results are unreliable unreliable for downstream clinical tasks such as blood flow simulation or disease quantification. In this paper, we introduce MARVEL (Universal MurrAy's law-infoRmed Vessel sEgmentation and topoLogy estimation), a backbone-agnostic framework that integrates biophysical priors into vascular tree extraction. MARVEL combines per-pixel supervision with explicit radius predictions to enforce local bifurcation constraints derived from an empirical width-exponent mapping. We implement these constraints as differentiable regularizers during training to guide models toward physiologically consistent reconstructions. We evaluate MARVEL on eight public datasets across multiple vascular modalities and segmentation backbones. Results demonstrate MARVEL's superior performance in segmentation accuracy, topological consistency, and physiological plausibility. By converting segmented masks into graph-based hemodynamic simulations, we demonstrate that MARVEL preserves the subtle pathological narrowing and topological connectivity required to distinguish hypertensive from normotensive eyes. Results show that MARVEL significantly improves the classification of hypertension via arteriovenous pressure differences in the eye (p < 0.001), outperforming baseline models in both topological consistency and clinical predictive value.
• Abstract（参考訳）: 血管循環は、物質輸送と代謝エネルギーの支出を最適化する基本的な生体物理原理に従っており、これはマレーの法則によって効果的にモデル化できる。 しかし、現代の血管分節の深層学習法は、これらの生物物理学的制約を無視することが多い。 これは生理的に不確実な分岐と、血管樹の分類ミスを引き起こし、レンダリングする。 これらの自動セグメンテーションの結果は、血流シミュレーションや疾患定量化といった下流臨床業務では信頼性が低い。 本稿では, バイオ物理の先駆体であるMARVEL(Universal MurrAy's law-infoRmed Vessel sEgmentation and topoLogy Estimation)を紹介する。 MARVELは、ピクセルごとの監督と明示的な半径予測を組み合わせることで、経験的幅-指数写像から得られる局所分岐制約を強制する。 我々はこれらの制約を,生理的一貫した再構築に向けてモデルを誘導する訓練中に,識別可能な正則化器として実装する。 複数の血管形態と分節バックボーンにまたがる8つのパブリックデータセット上でMARVELを評価した。 その結果,MARVELのセグメンテーション精度,トポロジカル一貫性,生理的妥当性は優れていた。 セグメンテッドマスクをグラフベースの血行動態シミュレーションに変換することにより,MARVELは高血圧と正常眼の区別に必要な微妙な病理的狭さとトポロジカルな接続性を保っていることを示す。 その結果,MARVELは眼の動脈圧差による高血圧の分類を有意に改善し (p < 0.001) , トポロジカル一貫性と臨床予測値の両方においてベースラインモデルより優れていた。

関連論文リスト

• MM-UNet: Morph Mamba U-shaped Convolutional Networks for Retinal Vessel Segmentation [21.90972169495466]
  MM-UNetは、効率的な網膜血管分割に適した新しいアーキテクチャである。 Morph Mamba Convolution 層が組み込まれており、分岐したトポロジカルな知覚を高めるためにポイントワイズ・コンボリューションを置き換える。 DRIVEで1.64%、STAREで1.25%のF1スコアゲインを達成し、その効果と進歩を示す。
  論文  参考訳（メタデータ） (2025-11-04T02:18:25Z)
• BioVessel-Net and RetinaMix: Unsupervised Retinal Vessel Segmentation from OCTA Images [16.61148063147746]
  BioVessel-Netは非教師なしの生成フレームワークであり、船体バイオ統計学と敵対的精錬と半径誘導セグメンテーション戦略を統合している。 2Dおよび3D OCTA画像の新しいベンチマークデータセットであるRetinaMixを紹介した。 BioVessel-Netは、RetinaMixおよび既存のデータセット間でほぼ完璧なセグメンテーション精度を実現し、最先端の教師付きおよび半教師付きメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-09-28T03:46:20Z)
• SD-RetinaNet: Topologically Constrained Semi-Supervised Retinal Lesion and Layer Segmentation in OCT [5.409364353574134]
  完全微分可能なバイオマーカートポロジエンジンを導入した新しい半教師付きモデルを提案する。 我々のモデルは、空間的要素とスタイル要素を分離して、不整合表現を学習する。 我々は,OCTスキャンの公開および内部データセット上で提案したモデルを評価し,病変と層分断の双方において現状よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2025-09-25T07:56:38Z)
• Boundary-Aware Vision Transformer for Angiography Vascular Network Segmentation [2.421170887647153]
  バウンダリ・アウェア・ビジョン・トランスフォーマー(Baundary-Aware Vision Transformer、BAVT)は、エッジ・アウェア・ロス(エッジ・アウェア・ロス)で拡張されたViTベースのアーキテクチャである。 DCA-1冠動脈造影データセットを用いて,BAVTが医用画像のセグメンテーションの指標で優れた成績を収める手法を検証した。
  論文  参考訳（メタデータ） (2025-06-15T22:35:08Z)
• Interpretable Retinal Disease Prediction Using Biology-Informed Heterogeneous Graph Representations [40.8160960729546]
  解釈可能性は、医療診断のための機械学習モデルの信頼性を高めるために不可欠である。 本研究では,確立した機械学習モデルの性能を超える手法を提案する。
  論文  参考訳（メタデータ） (2025-02-23T19:27:47Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)

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。