論文の概要: VesselSim: learning 3D blood vessel segmentation without expert annotations
- arxiv url: http://arxiv.org/abs/2605.26277v2
- Date: Wed, 27 May 2026 16:27:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.078985
- Title: VesselSim: learning 3D blood vessel segmentation without expert annotations
- Title（参考訳）: VesselSim:専門家のアノテーションなしで3D血管セグメンテーションを学ぶ
- Authors: Erin Rainville, Melissa Ananian, Tristan Mirolla, Hassan Rivaz, Yiming Xiao,
- Abstract要約: ユニバーサル3D血管セグメンテーションのための2段階フレームワークである VesselSim を提案する。
3D U-Netは、合成データのみに基づいて訓練され、16,500の解剖学的に妥当な3D血管造影ボリュームを生成する。
VesselSimは最先端のセグメンテーション基盤モデルと競合するパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 7.634402582162916
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Blood vessel segmentation is a core task in medical image analysis for the care of vascular diseases and surgical planning, yet the challenges of providing expert vascular annotations pose a major obstacle for the progress of related deep learning techniques. To address this, we propose VesselSim, a two-stage framework for universal 3D blood vessel segmentation that eliminates the need for real annotated data during training. First, we introduce a stochastic, geometry-driven vascular simulation framework that models recursive branching, curvature-controlled growth, and collision-aware topology, followed by domain-randomized intensity synthesis to generate 16,500 anatomically plausible 3D angiographic volumes. Second, a 3D U-Net is trained solely on this synthetic data. To bridge the domain gap from synthetic to real images at inference time, we introduce a test-time adaptation strategy via a self-supervised mask reconstruction decoder, enabling adaptation to unseen clinical scans without prior domain knowledge. We evaluate VesselSim in a zero-shot setting on multiple real-world datasets spanning MR and CT across several anatomical regions, including the brain and kidneys. Despite being trained exclusively on synthetic data, VesselSim achieves performance competitive with state-of-the-art vascular segmentation foundation models. These findings suggest that learning vessel geometry from synthetic tubular structures is effective for robust cross-domain generalization, substantially reducing the reliance on acquired medical imaging data and more importantly, expert annotations.
- Abstract（参考訳）: 血管のセグメンテーションは、血管疾患のケアと外科的計画のための医療画像解析のコアタスクであるが、専門的な血管アノテーションを提供することは、関連するディープラーニング技術の進歩に大きな障害をもたらす。
これを解決するために、トレーニング中に実際のアノテートデータを必要としない、普遍的な3D血管セグメンテーションのための2段階フレームワークであるVesselSimを提案する。
まず, 再帰的分岐, 曲率制御成長, 衝突認識トポロジーをモデル化し, 続いてドメインランダム化強度合成を行い, 解剖学的に妥当な3D血管造影ボリュームを16,500個生成する。
第二に、3D U-Netは、この合成データのみに基づいて訓練される。
合成画像から実画像への領域ギャップを推論時に橋渡しするために,自己監督型マスク再構成デコーダを用いてテスト時間適応戦略を導入する。
われわれはVesselSimを脳や腎臓を含むいくつかの解剖学的領域にまたがるMRとCTにまたがる複数の実世界のデータセットでゼロショットで評価した。
VesselSimは、合成データに特化して訓練されているにもかかわらず、最先端の血管セグメンテーション基盤モデルと競合するパフォーマンスを実現している。
これらの結果から, 合成管状構造からの血管形状の学習は, 医用画像データへの依存を著しく低減し, さらには専門家のアノテーションにも有効であることが示唆された。
関連論文リスト
- VRXU-net: A Deep Learning Approach for Brain Ischemic Stroke Lesion Detection and Segmentation in T1W MRI [0.0]
本研究では,3次元MRI画像における虚血性脳梗塞の検出と分画を行うために,視覚的特徴,残差接続,U字型ネットワークから派生した新しいVRU-Netアーキテクチャを提案する。
性能と処理速度の両方を改善するために、シーケンシャルフレームワークにおけるセグメンテーションモデルの前に高性能な分類器を適用する。
提案モデルは、ストローク後の解剖学的トレースに基づいて訓練され、精度とDice係数の点で最先端のモデルより優れている。
論文 参考訳（メタデータ） (2026-05-20T18:44:08Z) - Vesselpose: Vessel Graph Reconstruction from Learned Voxel-wise Direction Vectors in 3D Vascular Images [2.8991059698468287]
本稿では3次元画像データからトポロジカルに正確な血管グラフを抽出する手法を提案する。
提案手法は,3つのベンチマークデータセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2026-05-01T09:34:39Z) - TRELLIS-Enhanced Surface Features for Comprehensive Intracranial Aneurysm Analysis [2.624902795082451]
頭蓋内大動脈瘤は, 注釈付き3Dデータによる検出, デライン化, モデル化が困難である。
本稿では,大規模非医学的3次元データセットに基づいて学習した生成モデルTRELLISで学習した潜在幾何学的埋め込みを利用したクロスドメイン特徴伝達手法を提案する。
論文 参考訳（メタデータ） (2025-09-03T07:51:17Z) - Hessian-Based Lightweight Neural Network HessNet for State-of-the-Art Brain Vessel Segmentation on a Minimal Training Dataset [39.407739937584104]
我々は、IXIデータセット(注釈付き200画像)に基づいて、半手動で注釈付き脳血管画像データセットを作成する。
データセットはhttps://git.scinalytics.com/terilat/VesselDatasetPartlyで公開されている。
論文 参考訳（メタデータ） (2025-08-21T15:45:19Z) - Recursive Variational Autoencoders for 3D Blood Vessel Generative Modeling [0.7722830505405722]
階層構造をフル活用する再帰変動ニューラルネットワーク(RvNN)を開発した。
RvNNは、ターゲット表面を記述する幾何学的特徴とともに、分岐接続を符号化する低次元多様体を学習する。
我々は、正確で多様な血管の3Dモデルを生成し、医療や外科訓練、血行動態シミュレーション、その他多くの目的に欠かせない。
論文 参考訳（メタデータ） (2025-06-17T18:47:27Z) - 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) - Deep Learning for Vascular Segmentation and Applications in Phase
Contrast Tomography Imaging [33.23991248643144]
本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。
我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。
HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
論文 参考訳（メタデータ） (2023-11-22T11:15:38Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z)
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。