論文の概要: vesselFM-CT: Segmenting All Blood Vessels in CT Images for System-Level Cardiovascular Analysis

• arxiv url: http://arxiv.org/abs/2606.09400v1
• Date: Mon, 08 Jun 2026 12:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.973188
• Title: vesselFM-CT: Segmenting All Blood Vessels in CT Images for System-Level Cardiovascular Analysis
• Title（参考訳）: 血管FM-CT : 全身循環動態解析のためのCT画像における全血管の分画
• Authors: Bastian Wittmann, Chinmay Prabhakar, Suprosanna Shit, Bjoern Menze,
• Abstract要約: 本稿では,3次元CT画像に全血管を頑健に分割できる第1モデルである血管FM-CTを紹介する。 血管FM-CTはすべてのベースラインを上回り,CT画像から心臓血管系の自動的,正確な抽出を可能にした。
• 参考スコア（独自算出の注目度）: 4.319158193807472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The vascular network in the human body is characterized by blood vessels exhibiting drastic structural variations in radius, length, topological properties, and branching patterns. This heterogeneity, together with location-specific anatomical background variations, poses a significant challenge for robust, large-scale analysis of the entire cardiovascular system. As a result, most research has focused on narrow, isolated segments of the vascular network. While such targeted studies provide valuable insights, they inherently limit the ability to assess the systemic health and functional integrity of the vascular network as a whole. In this work, we aim to bridge this gap to advance both clinical diagnostics and our fundamental understanding of vascular physiology. We propose the task of segmenting all vessels in CT images, ranging from the largest components of the cardiovascular system to even minuscule mesenteric vessels. To this end, we introduce vesselFM-CT, the first model capable of robustly segmenting all blood vessels in 3D CT images. VesselFM-CT is trained via an iterative, multi-step process and optimizes our proposed TubeLoss loss function, effectively addressing the inherent heterogeneity of the cardiovascular system. We demonstrate that vesselFM-CT outperforms all baselines and enables automated, precise extraction of the cardiovascular system from CT images, thereby unlocking a wide range of clinical and technical perspectives, including automated disease classification and synthetic CT image generation.
• Abstract（参考訳）: 人体の血管網は、半径、長さ、位相特性、分岐パターンの劇的な構造変化を示す血管によって特徴づけられる。 この異質性は、位置特異的な解剖学的背景の変化とともに、心臓血管系全体の堅牢で大規模な解析に重大な課題をもたらす。 その結果、ほとんどの研究は血管網の細く孤立した部分に焦点を当てている。 このような対象とする研究は貴重な洞察を提供するが、それらは本質的に、血管網全体のシステム的健康と機能的整合性を評価する能力を制限している。 本研究は,このギャップを橋渡しして臨床診断と血管生理学の基本的な理解の両立を図ることを目的としている。 心血管系の最大成分から中腸間膜血管まで,全血管をCT画像に分割する作業を提案する。 この目的のために,3次元CT画像に血管を頑健に分割できる第1モデルである血管FM-CTを紹介した。 血管FM-CTは反復的多段階プロセスを用いて訓練され,提案したTurbeLoss損失関数を最適化し,心血管系固有の不均一性に効果的に対処する。 血管FM-CTはすべてのベースラインを上回り,CT画像から心臓血管系の自動的かつ正確な抽出を可能にし,疾患分類や合成CT画像生成など,幅広い臨床・技術的視点の開放を図っている。

関連論文リスト

• High Accuracy Pulmonary Vessel Segmentation for Contrast and Non-contrast CT Images and Clinical Evaluation [7.2151442883882]
  造影CT画像と非造影CT画像から肺血管の自動分画を行うための3次元画像分画アルゴリズムを提案する。 我々は、複数のベンダーや国から427セットの高精度CTデータを用いてモデルを訓練し、NCCTデータに対して0.892, 0.861, 0.924, 0.925, 0.903, 0.949のCl-DICE, Cl-リコールおよびリコール値を得た。
  論文  参考訳（メタデータ） (2025-03-21T09:54:42Z)
• 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)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Epicardial Adipose Tissue Segmentation from CT Images with A Semi-3D Neural Network [0.0]
  本稿では, 深部神経回路を用いたCT画像から心房細動組織の完全自動セマンティックセマンティックセグメンテーション法を提案する。 提案ネットワークは,入力画像にスライス深度情報を埋め込んだU-Netアーキテクチャを用いて,興味のあるセグメンテーション領域を分割する。 提案手法のクロスバリデーションにより20例のCTでDiceスコアが0.86となった。
  論文  参考訳（メタデータ） (2022-04-27T13:15:44Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• AI-based Aortic Vessel Tree Segmentation for Cardiovascular Diseases Treatment: Status Quo [55.04215695343928]
  大動脈血管木は大動脈とその枝枝動脈からなる。 大動脈弁木の自動・半自動セグメンテーションのための計算手法を体系的に検討した。
  論文  参考訳（メタデータ） (2021-08-06T08:18:28Z)
• Automatic Pulmonary Artery and Vein Separation Algorithm Based on Multitask Classification Network and Topology Reconstruction in Chest CT Images [6.7068805048290425]
  胸部CT像から肺動脈と静脈を自動的に分離する新しい方法を提案する。 提案手法は非コントラスト胸部CTの平均精度96.2%を達成した。
  論文  参考訳（メタデータ） (2021-03-22T11:25:45Z)
• Multi-Contrast Computed Tomography Healthy Kidney Atlas [3.0066242826634415]
  スケール全体の可変性を統合および視覚化するには、ボリュームメトリックアトラスフレームワークが必要です。 多発性コントラストCTには腹腔・後腹膜臓器のアラス・フレームワークは存在しない。 腹腔容積を高分解能CTアトラステンプレートに登録するために,深層学習に基づく興味抽出法と2段階階層自動登録パイプラインを導入する。
  論文  参考訳（メタデータ） (2020-12-23T01:03:16Z)
• 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)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。