論文の概要: UI-VISA: U-Net Initialized Vascular Image Segmentation Architecture

• arxiv url: http://arxiv.org/abs/2609.01598v1
• Date: Tue, 01 Sep 2026 17:58:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.942903
• Title: UI-VISA: U-Net Initialized Vascular Image Segmentation Architecture
• Title（参考訳）: UI-VISA: U-Net Initialized Vascular Image Segmentation Architecture
• Authors: Asees Kaur, Suzanne S. Sindi, Erica M. Rutter,
• Abstract要約: U-Netのような画素ワイドなディープラーニングアプローチは、強力な汎用セグメンテーション性能を実現する。 両アプローチの強みを組み合わせたハイブリッドパイプラインであるUI-VISA(U-Net Initialized Vascular Image Architecture)を提案する。 スタンドアロンのU-Netに対するUI-VISAと,26のDSA画像上の5倍のクロスバリデーションを用いたVISA(Reference- Growth-based Method)の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of vascular structures in digital subtraction angiography (DSA) images remains challenging due to the thin, elongated, and branching nature of blood vessels. Pixel-wise deep learning approaches such as U-Net achieve strong general-purpose segmentation performance but often produce fragmented or discontinuous predictions in fine vascular regions, since they do not explicitly enforce structural connectivity. Region growing algorithms preserve spatial context and topological continuity, but are highly sensitive to seed point initialization and can be computationally expensive. We propose UI-VISA (U-Net Initialized Vascular Image Segmentation Architecture), a hybrid pipeline that combines the complementary strengths of both approaches. UI-VISA uses U-Net's foreground predictions as informed seed points for a CNN-guided region growing algorithm, which then iteratively refines the segmentation by enforcing local connectivity and recovering fine vessel details that U-Net alone tends to miss or over-predict. We evaluate UI-VISA against standalone U-Net and a prior region-growing-based method (VISA) using 5-fold cross-validation on 26 DSA images. UI-VISA achieves the highest mean Dice and clDice scores across folds, and a paired Wilcoxon signed-rank test shows the improvement in clDice is statistically significant ($p=0.023$), consistent with the method's design goal of preserving vascular connectivity, while the improvement in Dice does not reach significance ($p=0.104$).
• Abstract（参考訳）: 血管造影(DSA)画像における血管構造の正確なセグメンテーションは,血管の細い,細長い,枝分かれした性質のため,いまだに困難である。 U-Netのような画素単位の深層学習アプローチは、強力な汎用セグメンテーション性能を達成するが、構造的な接続を明示的に強制しないため、細い血管領域で断片的または不連続な予測を生成することが多い。 領域成長アルゴリズムは空間的文脈と位相的連続性を保存するが、シードポイントの初期化に非常に敏感であり、計算コストも高い。 UI-VISA(U-Net Initialized Vascular Image Segmentation Architecture)は,両アプローチの相補的な長所を組み合わせたハイブリッドパイプラインである。 UI-VISAは、CNN誘導の領域成長アルゴリズムのインシデントシードポイントとしてU-Netのフォアグラウンド予測を使用し、ローカル接続を強制し、U-Net単独で過度に予測する傾向にある細部を復元することにより、セグメント化を反復的に洗練する。 スタンドアロンのU-Netに対するUI-VISAと,26のDSA画像上の5倍のクロスバリデーションを用いたVISA(Reference- Growth-based Method)の評価を行った。 UI-VISAは、折り畳み式でDiceとclDiceの平均スコアを最高に達成し、Wilcoxonのサインランクテストでは、clDiceの改善は統計的に有意である(p=0.023$)が、Diceの改善は重要ではない(p=0.104$)。

関連論文リスト

• VasGuideNet: Vascular Topology-Guided Couinaud Liver Segmentation with Structural Contrastive Loss [15.54612173358869]
  本稿では,血管トポロジで明示的にガイドされた最初のCouinaudセグメンテーションフレームワークであるVasGuideNetを提案する。 VasGuideNetのDiceスコアは83.68%、RVDは76.65%、RVDは1.68と7.08である。 UNETR、Swin UNETR、G-UNETR++などの代表的ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-25T03:50:48Z)
• GAEI-UNet: Global Attention and Elastic Interaction U-Net for Vessel Image Segmentation [0.0]
  血管画像のセグメンテーションは、血管疾患の早期発見と治療を支援する医療診断において重要な役割を担っている。 本稿では,グローバルアテンションと弾性相互作用に基づく手法を組み合わせた新しいモデルGAEI-UNetを提案する。 ターゲット形状と予測形状のずれによって生じる力を捕捉することにより,本モデルでは,容器ネットワークの正確なトポロジを効果的に学習する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:32Z)
• Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
  本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。 有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。 提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-03-20T09:50:07Z)
• VA-DepthNet: A Variational Approach to Single Image Depth Prediction [163.14849753700682]
  VA-DepthNetは、単一画像深度予測問題に対する単純で効果的で正確なディープニューラルネットワークアプローチである。 本論文は,複数のベンチマークデータセットに対する広範囲な評価とアブレーション解析により提案手法の有用性を実証する。
  論文  参考訳（メタデータ） (2023-02-13T17:55:58Z)
• 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)
• RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
  本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。 実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。 その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-19T15:57:20Z)
• KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations [59.65174244047216]
  本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。 このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。 早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
  論文  参考訳（メタデータ） (2020-06-08T18:59:24Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。