論文の概要: Investigating the Visual Cues of CNNs for Vascular Segmentation: A Case Study in Microscopy and Fundus Imaging

• arxiv url: http://arxiv.org/abs/2607.23371v1
• Date: Sat, 25 Jul 2026 21:25:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.086221
• Title: Investigating the Visual Cues of CNNs for Vascular Segmentation: A Case Study in Microscopy and Fundus Imaging
• Title（参考訳）: 血管分節に対するCNNの視覚的キューの検討 : 顕微鏡と基底像を例として
• Authors: Weslley dos Santos Silva, Cesar Henrique Comin,
• Abstract要約: 本稿では、2つの異なる画像領域にまたがる血管の分画に使用される視覚的手がかりである畳み込みニューラルネットワーク(CNN)について検討する。 形状, テクスチャ, 受容場がセグメンテーション性能に与える影響を定量化するために, 一連の実験を用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vascular segmentation is a standard procedure for clinical diagnosis, yet the specific visual features determining model decisions remain poorly understood. This paper investigates the visual cues Convolutional Neural Networks (CNNs) use to segment blood vessels across two distinct imaging domains: fluorescence microscopy and retinal fundus photography. We employ a series of experiments to quantify the influence of shape, texture, and receptive field on segmentation performance. First, we isolate texture and intensity by evaluating performance on patches subjected to pixel shuffling and normalization. Second, we assess global shape relevance by training models on sparse contours and centerlines. Lastly, we quantify the required spatial context by systematically varying the network's theoretical and effective receptive fields. Within the scope of the evaluated datasets, we found that pixel intensity is more relevant than texture, though networks maintain surprisingly high accuracy even when both cues are removed. Furthermore, CNNs struggle to extrapolate full vessel geometry from shape cues alone, typically relying on a relatively small effective receptive field of around 20 pixels, though global context provides a modest benefit for fundus images. While specific to the modalities studied, this methodology offers a quantitative foundation to audit and refine deep learning systems in vascular imaging.
• Abstract（参考訳）: 血管セグメンテーションは、臨床診断の標準的な手順であるが、モデル決定を決定する特定の視覚的特徴は、いまだに理解されていない。 本稿では,2つの異なる画像領域(蛍光顕微鏡と網膜基底撮影)に血管を分割するために使用される視覚的手がかりである畳み込みニューラルネットワーク(CNN)について検討する。 形状, テクスチャ, 受容場がセグメンテーション性能に与える影響を定量化するために, 一連の実験を用いる。 まず,画素シャッフルおよび正規化を受けるパッチの性能を評価することにより,テクスチャと強度を分離する。 第2に,粗い輪郭と中心線のトレーニングモデルを用いて,大域的な形状の関連性を評価する。 最後に,ネットワークの理論的,効果的な受容場を体系的に変化させることで,必要な空間コンテキストを定量化する。 評価したデータセットの範囲内では,両キューを除去してもネットワークは驚くほど高い精度を維持しつつも,テクスチャよりもピクセル強度の方が関連性が高いことがわかった。 さらに、CNNは形状のキューのみから完全な血管形状を外挿するのに苦労しており、通常は20ピクセル程度の比較的小さな有効受容領域に依存している。 この手法は、研究対象のモダリティに特有であるが、血管画像におけるディープラーニングシステムの監査と洗練のための定量的基盤を提供する。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based CNN for Retinal Blood Vessel Segmentation [0.0]
  ブラディングアイの病気は、しばしば変化した網膜形態と相関し、眼底画像の網膜構造をセグメント化することによって臨床的に識別できる。 深層学習は、医用画像のセグメンテーションにおいて有望であるが、反復的な畳み込みとプール操作への依存は、エッジ情報の表現を妨げる可能性がある。 LMBiS-Net と呼ばれる軽量な画素レベルのCNNを網膜血管のセグメンテーションのために提案する。
  論文  参考訳（メタデータ） (2023-09-10T09:03:53Z)
• Multi-scale Multi-site Renal Microvascular Structures Segmentation for Whole Slide Imaging in Renal Pathology [4.743463035587953]
  Omni-Segは,マルチサイト,マルチスケールのトレーニングデータを活用する新しい動的ネットワーク手法である。 我々は、HuBMAPとNEPTUNEという2つのデータセットの画像を用いて、特異なディープネットワークを訓練する。 提案手法は,腎微小血管構造の定量的解析のための強力な計算ツールを腎病理医に提供する。
  論文  参考訳（メタデータ） (2023-08-10T16:26:03Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using disentangled representation with anatomical priors [4.2663199451998475]
  網膜層セグメンテーションタスクに半教師付きパラダイムを導入する。 特に、表面位置回帰をピクセル単位で構造化されたセグメンテーションに変換するために、新しい完全微分可能なアプローチが用いられる。 並行して,ラベル付きデータの限られた量が利用できる場合に,ネットワークトレーニングを改善するための解剖学的事前セットを提案する。
  論文  参考訳（メタデータ） (2022-07-01T14:30:59Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Microscopic fine-grained instance classification through deep attention [7.50282814989294]
  限られたサンプルを用いた微視的画像データのきめ細かい分類は、コンピュータビジョンとバイオメディカルイメージングにおいて未解決の問題である。 本稿では,エンドツーエンドで2つのタスクを同時に実行する,シンプルで効果的なディープネットワークを提案する。 その結果、堅牢だが軽量なエンドツーエンドのトレーニング可能なディープネットワークが実現し、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2020-10-06T15:29:58Z)
• Assignment Flow for Order-Constrained OCT Segmentation [0.0]
  網膜層厚の同定は、患者ごとに個別に行う重要な課題である。 自動セグメンテーションモデルの構築は,医用画像処理分野において重要な課題となっている。 我々は、秩序に制約された3D OCT網膜細胞層セグメンテーションのための新しい、純粋にデータ駆動型テキスト幾何学的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-10T01:57:53Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。