論文の概要: Anatomically Conditioned Recurrent Refinement for Topology-Aware Circle of Willis Segmentation

• arxiv url: http://arxiv.org/abs/2606.12319v1
• Date: Wed, 10 Jun 2026 16:53:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.577313
• Title: Anatomically Conditioned Recurrent Refinement for Topology-Aware Circle of Willis Segmentation
• Title（参考訳）: 解剖学的条件によるウィリス分節のトポロジカル・アウェア・サークルのリカレントリファインメント
• Authors: Juraj Perić, Marija Habijan, Dario Mužević, Irena Galić, Danilo Babin, Aleksandra Pižurica,
• Abstract要約: 解剖学的条件付きリカレントリファインメントU-Net(AC2RUNet)を提案する。 我々のアーキテクチャはセグメンテーションを2つのストリームに分解する: 不変な解剖学的特徴を抽出する静的ストリームと、時間とともにトポロジ的エラーを反復的に洗練する軽量な動的ストリームである。 AC2RUNetはハウスドルフ距離(4.72mm対9.17mm)とベッチ数誤差(0.19対0.40)を大幅に低減し、nnU-Netベースライン上のトポロジカル接続を改善した。
• 参考スコア（独自算出の注目度）: 35.18016233072556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmenting the Circle of Willis (CoW) from Magnetic Resonance Angiography (MRA) is challenging due to complex topology and thin vascular structures that are prone to fragmentation. Standard Convolutional Neural Networks (CNNs) often fail to capture these topological constraints, resulting in "broken vessel" artifacts. To address this, we propose the Anatomically Conditioned Recurrent Refinement U-Net (AC2RUNet). Our architecture decouples segmentation into two streams: a Static Stream that extracts invariant anatomical features and a lightweight Dynamic Stream that iteratively refines topological errors over time. We further introduce a dynamic curriculum learning strategy that transitions from high-recall geometric supervision to topology-aware constraints. Validated on the TopCoW dataset, AC2RUNet substantially reduces Hausdorff Distance (4.72 mm vs 9.17 mm) and Betti number errors (0.19 vs 0.40), improving topological connectivity over the nnU-Net baseline while maintaining comparable volumetric Dice.
• Abstract（参考訳）: 磁気共鳴血管造影(MRA)からWillis円(CoW)を分離することは、複雑なトポロジーと細い血管構造が断片化を招きやすいため困難である。 標準畳み込みニューラルネットワーク(CNN)は、しばしばこれらのトポロジ的制約を捉えることができず、結果として「壊れた容器」アーティファクトとなる。 そこで本研究では、AC2RUNet(Anatomically Conditioned Recurrent Refinement U-Net)を提案する。 我々のアーキテクチャはセグメンテーションを2つのストリームに分解する: 不変な解剖学的特徴を抽出する静的ストリームと、時間とともにトポロジ的エラーを反復的に洗練する軽量な動的ストリームである。 さらに、ハイリコール幾何監督からトポロジ対応制約へ移行する動的カリキュラム学習戦略を導入する。 TopCoWデータセットで検証されたAC2RUNetは、ハウスドルフ距離(4.72mm対9.17mm)とベッチ数誤差(0.19対0.40)を大幅に削減し、nU-Netベースライン上のトポロジ的接続性を改善しながら、同等のボリュームディスを維持している。

関連論文リスト

• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• Beyond Distance: Quantifying Point Cloud Dynamics with Persistent Homology and Dynamic Optimal Transport [29.979662030541146]
  本稿では,最近提案されたトポロジカル・オプティカル・トランスポート(TpOT)距離を拡張して,時間進化点雲のトポロジカル・ティッピングを解析するためのフレームワークを提案する。 この制限を克服するために、新しいトポロジとハイパーグラフ再構成戦略によって駆動される階層的動的評価フレームワークを提案する。 この測地線とともに、グローバルシフトを捉えるためのマクロメトリクス(トポロジカル歪みとパーシスタンスエントロピー)と、高感度で非同期な局所的な変更を検出するための新しいメソスコピック双対パースペクティブハイパーグラフエントロピーを導入する。
  論文  参考訳（メタデータ） (2026-03-15T07:56:56Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• SimCortex: Collision-free Simultaneous Cortical Surfaces Reconstruction [0.30586855806896046]
  現在の手法では、複雑な皮質幾何学、厳密な位相的要件、重なり合い、自己断面積、位相的欠陥のある曲面をしばしば生成しなければならない。 我々は、T1強調(T1w)MRIボリュームからすべての脳表面を同時に再構築するディープラーニングフレームワークであるSimCortexを紹介する。 提案手法は表面衝突や自己断面積を著しく減らしたスムーズなトポロジー保存変換を実現する。
  論文  参考訳（メタデータ） (2025-07-09T15:38:38Z)
• Deep Networks on Toroids: Removing Symmetries Reveals the Structure of Flat Regions in the Landscape Geometry [3.712728573432119]
  我々は、すべての対称性を除去し、トロイダルトポロジーをもたらす標準化されたパラメータ化を開発する。 最小化器の平坦性とそれらの接続する測地線経路の有意義な概念を導出する。 また、勾配勾配の変種によって発見された最小化器は、ゼロエラー経路と1つの曲がり角で接続可能であることも見いだした。
  論文  参考訳（メタデータ） (2022-02-07T09:57:54Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。