論文の概要: CARDIAG: A Dense Segment Classification Benchmark of Deep Learning Architectures for Coronary Angiography

• arxiv url: http://arxiv.org/abs/2607.22139v1
• Date: Fri, 24 Jul 2026 09:35:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.093747
• Title: CARDIAG: A Dense Segment Classification Benchmark of Deep Learning Architectures for Coronary Angiography
• Title（参考訳）: CARDIAG: 冠動脈造影のためのディープラーニングアーキテクチャの高密度セグメント分類ベンチマーク
• Abstract要約: 冠状血管造影のピクセルをシンタックスクラス(または背景)に密に分類する深層学習モデルの評価のための新しいベンチマークを示す。 この評価は24の異なるアーキテクチャをカバーしており、古典的なコンブネットから最近の状態空間ベースのビジョンアルゴリズムまでである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate pixel-level classification of coronary angiograms is critical for cardiovascular disease assessment, yet the field lacks standardized evaluation protocols. In this work we demonstrate a new benchmark for the assessment of deep learning models which densely classify pixels of coronary angiograms to one of SYNTAX classes (or background). The evaluation covers 24 distinct architectures starting with classic convnets to recent state-space-based vision algorithms. We release CARDIAG - a multi-center, multi-label dataset which we carefully split to reliably compute metrics, accounting for diameter error, overlap, centerline quality and calibration. The data contains SYNTAX labels, binary, uncertainty and segmentation masks as well as intermediate frames together with the selected non-sensitive DICOM metadata. From the multitude of algorithms, we nominate ConvNeXt V2 encoder with DeepLab V3 Plus decoder as the best performing, achieving macro $F_1=0.456$, which we then ensemble with Mamba U-Net and Feature Pyramid Network, for an increased $F_1=0.479$. We demonstrate all the architectures to be well calibrated and determine the generalization of the top 5 methods, together with the data efficiency of these architectures. We highlight the importance of both high-resolution and low-resolution features in encoding. We also demonstrate the model correctness in the context of patient demographic, vessel sides and projection angle configurations. Overall the released benchmark allows for future studies to robustly and rigorously assess the proposals, not only for SYNTAX segmentation, but lesion detection and many more.
• Abstract（参考訳）: 心血管疾患の評価には, 正確な冠動脈造影検査のピクセルレベルの分類が重要であるが, 標準化された評価プロトコルが欠如している。 本研究では,冠状血管造影のピクセルをシンタXクラス(あるいは背景)に密に分類する深層学習モデルの評価のための新しいベンチマークを示す。 この評価は24の異なるアーキテクチャをカバーしており、古典的なコンブネットから最近の状態空間ベースのビジョンアルゴリズムまでである。 私たちはCARDIAG(マルチセンタ、マルチラベルのデータセット)をリリースし、メトリクスを確実に計算し、直径誤差、オーバーラップ、中心品質、キャリブレーションを考慮に入れています。 データにはSynTAXラベル、バイナリ、不確実性、セグメンテーションマスク、中間フレーム、選択された非感受性DICOMメタデータが含まれている。 アルゴリズムの多さから、我々はCovNeXt V2エンコーダをDeepLab V3 Plusデコーダでベストパフォーマンスに指定し、マクロ$F_1=0.456$を達成し、その後Mamba U-NetとFeature Pyramid Networkとアンサンブルして$F_1=0.479$を上昇させた。 すべてのアーキテクチャを適切に校正し、これらのアーキテクチャのデータ効率とともにトップ5メソッドの一般化を決定することを実証する。 符号化における高分解能と低分解能の両方の重要性を強調した。 また, 患者集団, 血管側, 投射角度構成の文脈において, モデル正当性を示す。 全体として、リリースされたベンチマークでは、将来の研究がSynTAXセグメンテーションだけでなく、病変の検出など、提案を堅牢かつ厳格に評価できるようになる。

関連論文リスト

• Bridging spatial awareness and global context in medical image segmentation [2.750124853532831]
  セグメント化性能を向上させるために,新しいU字型エンコーダデコーダネットワークであるU-CycleMLPを提案する。 エンコーダは、位置注意重みブロック、高密度アトラスブロック、ダウンサンプリング演算を用いて、マルチスケールのコンテキスト特徴を学習する。 デコーダは、アップサンプリング操作、高密度アトラスブロック、特徴融合機構を通じて高分解能セグメンテーションマスクを再構成する。
  論文  参考訳（メタデータ） (2025-12-06T20:25:24Z)
• BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
  医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。 具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。 提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-01-01T10:49:09Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• EchoGLAD: Hierarchical Graph Neural Networks for Left Ventricle Landmark Detection on Echocardiograms [21.537833605289816]
  左室ランドマーク検出(EchoGLAD)のための心エコーを用いた階層型グラフニューラルネットワーク(GNN)を提案する。 本研究の主な貢献は,1)GNNによるマルチ解像度ランドマーク検出のための階層的グラフ表現学習フレームワーク,2)多レベル損失を用いた粒度の異なる階層的監視である。
  論文  参考訳（メタデータ） (2023-07-23T05:31:47Z)
• Uncertainty Driven Bottleneck Attention U-net for Organ at Risk Segmentation [20.865775626533434]
  CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。 本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。 正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
  論文  参考訳（メタデータ） (2023-03-19T23:45:32Z)
• Deep embedded clustering algorithm for clustering PACS repositories [0.0]
  我々は、ピクセルデータのみを用いた医用画像の完全教師なしクラスタリングの問題に取り組む。 私たちは3万枚の画像でモデルをトレーニングし、8000枚の画像からなる別のテストセットを使ってそれらをテストします。
  論文  参考訳（メタデータ） (2022-06-24T05:57:49Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing Vertical and Horizontal Convolutions [58.71117402626524]
  医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。 1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。 実験では,4つのデータセット上でのモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2021-07-24T02:58:32Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Explainable-by-design Semi-Supervised Representation Learning for COVID-19 Diagnosis from CT Imaging [23.918269366873567]
  本稿では,変分オートエンコーダを用いて効率的な特徴埋め込みを抽出する半教師付き分類パイプラインに基づく説明可能なディープラーニング手法を提案する。 説明可能な分類結果から, 提案する診断システムは, 新型コロナウイルスの分類に極めて有効である。
  論文  参考訳（メタデータ） (2020-11-23T20:51:22Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。