論文の概要: CurvSegFlow: Time-Conditioned Flow Matching for Robust Segmentation of Curvilinear Structures in Noisy Biomedical Images

• arxiv url: http://arxiv.org/abs/2606.21608v1
• Date: Fri, 19 Jun 2026 17:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 04:36:01.882464
• Title: CurvSegFlow: Time-Conditioned Flow Matching for Robust Segmentation of Curvilinear Structures in Noisy Biomedical Images
• Title（参考訳）: CurvSegFlow:ノイズの多い生体画像における曲線構造のロバスト分割のための時間差フローマッチング
• Authors: Sidi Mohamed Sid'El Moctar, Achraf Ait Laydi, Alexandre Beber, Marcus Braun, Zdenek Lansky, Yousef El Mourabit, Helene Bouvrais,
• Abstract要約: 時間条件のフローマッチングに基づくセグメンテーションフレームワークであるCurvSegFlowを提案する。 提案モデルでは,U-Netのバックボーンに三項損失関数と時間埋め込みを組み合わせ,改良プロセスの導出を行う。 CurvSegFlowは、複数の合成および実際の微小管データセット、および網膜血管、角膜神経、冠動脈の公開ベンチマークで評価されている。
• 参考スコア（独自算出の注目度）: 33.96173028868693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of curvilinear structures remains challenging in biomedical imaging due to their thin geometry, complex topology, and sensitivity to noise. This is particularly critical for microscopy images of cytoskeletal network, where low signal-to-noise ratios and dense filament crossings often lead to fragmented or inaccurate segmentation. In this work, we propose CurvSegFlow, a segmentation framework based on time-conditioned flow matching. Instead of predicting a segmentation mask in a single pass, the method models segmentation as a dynamic process that progressively refines a noisy initialization into the target structure through a learned velocity field. The proposed model combines a U-Net backbone with triple-term loss function and temporal embeddings to guide the refinement process across reconstruction stages. This formulation enables gradual error correction and improves the continuity of thin structures. CurvSegFlow is evaluated on multiple synthetic and real microtubule datasets, as well as on public benchmarks of retinal vessels, corneal nerves and coronary arteries. Across datasets, the method achieves competitive or superior performance compared to established segmentation models, with consistent improvements in precision and structural continuity, particularly under low signal-to-noise conditions. These results show that flow-based iterative refinement provides a robust and general framework for curvilinear structure segmentation. Overall, the proposed approach improves segmentation quality in challenging imaging conditions and generalizes effectively across modalities without architectural changes.
• Abstract（参考訳）: カービリナー構造の正確なセグメンテーションは、その細い幾何学、複雑なトポロジー、ノイズに対する感受性のために、生体医用イメージングにおいて依然として困難である。 これは、低信号-雑音比と密度のフィラメント交差が断片化または不正確なセグメンテーションを引き起こす、細胞骨格ネットワークの顕微鏡画像にとって特に重要である。 本稿では,時間条件のフローマッチングに基づくセグメンテーションフレームワークであるCurvSegFlowを提案する。 単一のパスでセグメンテーションマスクを予測する代わりに、この手法は、学習速度場を通してターゲット構造へのノイズ初期化を段階的に洗練する動的なプロセスとしてセグメンテーションをモデル化する。 提案モデルでは,U-Netのバックボーンと3次元損失関数と時間埋め込みを組み合わせることで,再構築段階をまたいだ改良過程を導出する。 この定式化は段階的な誤差補正を可能にし、薄型構造の連続性を改善する。 CurvSegFlowは、複数の合成および実際の微小管データセット、および網膜血管、角膜神経、冠動脈の公開ベンチマークで評価されている。 データセット全体にわたって、この手法は確立されたセグメンテーションモデルと比較して、特に低信号対雑音条件下で、精度と構造的連続性を一貫して改善し、競争力または優れた性能を達成する。 これらの結果から,フローベース反復改良は,曲線構造セグメンテーションのための頑健で汎用的な枠組みを提供することが示された。 全体として、提案手法は、課題の画像条件におけるセグメンテーション品質を向上し、アーキテクチャ上の変更を伴わずに、モダリティを効果的に一般化する。

関連論文リスト

• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• Continuous-tone Simple Points: An $\ell_0$-Norm of Cyclic Gradient for Topology-Preserving Data-Driven Image Segmentation [12.419704025342476]
  トポロジカルな特徴は、画像解析タスクにおける幾何学的可視性と構造的整合性の確保に不可欠である。 既存の単純な点検出法はバイナリ画像に限られており、微分不可能である。 本稿では,連続評価画像上の単純な点を直接計算し,位相推定の微分を可能にする手法を提案する。
  論文  参考訳（メタデータ） (2026-04-30T17:45:50Z)
• Leveraging Persistence Image to Enhance Robustness and Performance in Curvilinear Structure Segmentation [17.808385571339624]
  PIs-Regressorは、データから直接、永続画像(PI) – トポロジ的特徴の有限で微分可能な表現 – を学習する。 本手法は手作り損失関数に大きく依存する既存の手法とは異なり,ネットワーク構造に直接トポロジ情報を組み込む。 3つのカービリニアベンチマークに対するアプローチは,画素レベルの精度とトポロジカル忠実度の両方において,最先端の性能を示す。
  論文  参考訳（メタデータ） (2026-01-25T23:51:45Z)
• MTFlow: Time-Conditioned Flow Matching for Microtubule Segmentation in Noisy Microscopy Images [0.29165586612027233]
  MTFlowはマイクロチューブセグメンテーションのための時間条件付きフローマッチングモデルである。 ノイズマスクを基底真理に向けて反復的に輸送するベクトル場を学ぶ。 最先端のモデルに匹敵する、競争力のあるセグメンテーションの精度を実現する。
  論文  参考訳（メタデータ） (2026-01-21T10:14:50Z)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• Motion-Aware Video Frame Interpolation [49.49668436390514]
  我々は、連続するフレームから中間光の流れを直接推定する動き対応ビデオフレーム補間(MA-VFI)ネットワークを導入する。 受容場が異なる入力フレームからグローバルな意味関係と空間的詳細を抽出するだけでなく、必要な計算コストと複雑さを効果的に削減する。
  論文  参考訳（メタデータ） (2024-02-05T11:00:14Z)
• Local Intensity Order Transformation for Robust Curvilinear Object Segmentation [10.23426725727011]
  血管疾患の早期発見のための網膜血管セグメンテーションや、道路条件の評価と維持のための舗装き裂セグメンテーションなど、多くの応用においてカービリナー構造が重要である。 現在、ディープラーニングベースの手法はこれらのタスクで素晴らしいパフォーマンスを実現している。 しかし、それらのほとんどは、強力な深層アーキテクチャを見つけることに重点を置いている。 本稿では,新しい局所強度次数変換を導入することにより,一般化性の向上を目指す。
  論文  参考訳（メタデータ） (2022-02-25T10:04:00Z)
• Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet Frames for Image Segmentation [152.609322951917]
  そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。 提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2020-02-21T05:19:10Z)
• Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet frames [146.63177174491082]
  Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。 特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。 合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-14T10:00:03Z)

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。