論文の概要: MoE-based Feature Adapter for Prompt-free Binary Coronary Artery Segmentation in X-ray Angiography

• arxiv url: http://arxiv.org/abs/2608.24783v1
• Date: Tue, 25 Aug 2026 16:24:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.104365
• Title: MoE-based Feature Adapter for Prompt-free Binary Coronary Artery Segmentation in X-ray Angiography
• Title（参考訳）: X線アンギオグラフィーにおけるプロンプトフリー冠動脈セグメンテーションのためのMoE-based Feature Adapter
• Abstract要約: 冠状動脈分枝切除のためのプロンプトフリー・ミックス・オブ・エキスパート (MoE) 機能アダプタを提案する。 提案手法では,入力依存のトップ$kのルーティングを持つ複数の軽量専門家を用いて,容器関連機能を適応的に洗練する。
• 参考スコア（独自算出の注目度）: 0.9023847175654603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of coronary arteries in X-ray angiography videos is essential for quantitative coronary analysis and image-guided interventions. However, accurate segmentation remains challenging because coronary vessels are thin and exhibit low contrast, while the presence of catheters, guidewires, and complex anatomical background structures can further interfere with vessel delineation. Existing U-Net- and Transformer-based models provide strong baselines, but their shared feature-adaptation pathways may be insufficient for heterogeneous angiographic appearances. In this paper, we propose a prompt-free mixture-of-experts (MoE) feature adapter for binary coronary artery segmentation. Built upon parameter-efficient Vision Transformer adapters, the proposed method uses multiple lightweight experts with input-dependent top-$k$ routing to adaptively refine vessel-related features while limiting active computational cost. Experiments on MOSXAV and external evaluation on XACV show that the proposed method outperforms representative baselines and improves cross-dataset generalisation. These results suggest that MoE-based adapter learning is effective for robust coronary artery segmentation in X-ray angiography videos.
• Abstract（参考訳）: X線アンギオグラフィービデオにおける冠動脈の正確なセグメンテーションは、定量的冠動脈分析と画像誘導的介入に不可欠である。 しかし、冠状血管が薄く、コントラストが低く、カテーテル、ガイドワイヤ、複雑な解剖学的背景構造の存在は、さらに血管の脱線を阻害する可能性があるため、正確なセグメンテーションは依然として困難である。 既存のU-NetおよびTransformerベースのモデルは強力なベースラインを提供するが、その共有した特徴適応経路は異種血管造影の出現には不十分である。 本稿では,冠状動脈分節に対するプロンプトフリー・ミックス・オブ・エキスパート (MoE) 機能アダプタを提案する。 パラメータ効率の高いVision Transformerアダプタをベースとして、入力依存のトップ$k$ルーティングを持つ複数の軽量専門家を用いて、アクティブな計算コストを抑えながら、容器関連機能を適応的に洗練する。 MOSXAVとXACVの外部評価実験により,提案手法は代表的ベースラインよりも優れ,データセット間の一般化が向上することが示された。 以上の結果より,X線アンギオグラフィービデオの冠動脈セグメンテーションにはMoEをベースとしたアダプタ学習が有効であることが示唆された。

関連論文リスト

• ImageCAS-X: a dataset and benchmark for coronary artery segmentation and centerline extraction in coronary CT angiography [0.1703996999004831]
  心臓科医は、血管の追跡とセグメンテーションを半自動で行う方法に頼っている。 多くの自動手法が提案されているが、その検証は大規模で高品質な公開データセットの欠如によって制限されている。 我々は、一般に公開されているImageCASデータセットから800のスキャンに対して、中心ラインとメッシュサーフェスとともに、血管と冠動脈セグメントのvoxel-wiseアノテーションのデータセットを新たに提供します。
  論文  参考訳（メタデータ） (2026-08-31T07:58:46Z)
• VEELA: A Clinically-Constrained Benchmark for Liver Vessel Segmentation in Computed Tomography Angiography [0.3267907805950309]
  VEELA(Vessel extract and Extrication for Liver Analysis)は、40個のCTAスキャンから厳密にキュレートされた血管データセットである。 すべての船は、厳密な可視性に基づくアノテーションポリシーを使用して、多専門家の合意のもと、手動でスライス・バイ・スライスされた。 標準化されたベンチマークフレームワークを構築し,トポロジ・アウェア(clDice)、オーバーラップ・ベース(IoU)、バウンダリ・センシティブ・アタッチメント(NSD)、ジオメトリ・アウェア(エリア,長さ)といった相補的評価指標を解析する。
  論文  参考訳（メタデータ） (2026-05-21T11:42:47Z)
• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• Auxiliary Input in Training: Incorporating Catheter Features into Deep Learning Models for ECG-Free Dynamic Coronary Roadmapping [17.461510586128874]
  ダイナミック冠のロードマップ作成は、X線アンギオグラフィーのオフライン画像シーケンスから抽出した血管マップ(「ロードマップ」)をリアルタイムでX線フルオロスコープのライブストリームにオーバーレイする技術である。 コントラスト剤注入の繰り返しを必要とせず、介入手術のナビゲーションガイダンスを提供することを目標とし、放射線曝露や腎不全に伴うリスクを低減することを目的としている。
  論文  参考訳（メタデータ） (2024-08-28T17:05:38Z)
• DeNVeR: Deformable Neural Vessel Representations for Unsupervised Video Vessel Segmentation [3.1977656204331684]
  Deformable Neural Vessel Representations (DeNVeR)は、X線アンギオグラフィービデオにおける血管のセグメンテーションの教師なしアプローチである。 主な貢献は、新しい層ブートストラップ技術、平行血管運動損失、複雑な血管力学をモデル化するためのユーレリア運動場の統合である。
  論文  参考訳（メタデータ） (2024-06-03T17:59:34Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• 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)
• Dynamic Coronary Roadmapping via Catheter Tip Tracking in X-ray Fluoroscopy with Deep Learning Based Bayesian Filtering [4.040013871160853]
  経皮的冠動脈インターベンション (PCI) は, 冠動脈造影にX線不透明造影剤を併用したX線アンギオグラムを用いて画像誘導を行うのが一般的である。 本報告では、視覚フィードバックを改善し、PCIにおけるコントラスト使用を減らすために、新しい動的冠ロードマップ作成手法の開発について述べる。 特に,カテーテル先端の高精度かつロバストな追跡のために,畳み込みニューラルネットワークの検出結果と,粒子フィルタリングフレームワークを用いたフレーム間の運動推定を統合した,深層学習に基づくベイズフィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-01-11T22:08:06Z)

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。