論文の概要: Dual-Part Multi-Lateral Branched Network for Multi-Class Segmentation in Cardiovascular Catheterization Angiograms

• arxiv url: http://arxiv.org/abs/2609.04590v1
• Date: Fri, 04 Sep 2026 00:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.869639
• Title: Dual-Part Multi-Lateral Branched Network for Multi-Class Segmentation in Cardiovascular Catheterization Angiograms
• Title（参考訳）: 心臓血管カテーテル化血管造影におけるマルチクラスセグメンテーションのための2成分多層分岐ネットワーク
• Authors: Olatunji Omisore, Ahmed Elazab, Ali Shahidinejad, Fariza Sabrina,
• Abstract要約: 二部構成のMLBNetアーキテクチャは、クラス認識セグメンテーションのための多側エンコーダブロックとマルチヘッドデコーダブランチで設計されている。 その結果, 2部モデルではガイドワイヤ, カテーテル, 血管, 背景画素を高い確率で分類することができた。
• 参考スコア（独自算出の注目度）: 5.694124606310283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Catheterisation image processing requires segmentation models that are fast, accurate and explainable. While most of the existing studies usually focus on binary segmentation, there is a recent demand for simultaneous segmentation of multiple structures found in catheterization scenes. In this study, a dual-part MLBNet architecture is designed with multi-lateral encoder blocks and multi-head decoder branches for class-aware segmentation in cardiovascular catheterization scenes. Lateral branches in the encoder enables repeated feature extraction to learn diverse shared representations, while multiple decoder heads are used to introduce class-skewed branches that specialize in different structural properties in catheterization scenes. To analyze the performances of the dual-part MLBNet architecture, several multi-class segmentation angiogram data obtained during cardiovascular catheterization in phantom models, synthetic human-simulated aorta, and animal model are used for model training and evaluation. Results obtained showed the dual-part models could effectively separate guidewire, catheter, vessels and background pixels to their classes of memberships with high probability. The results demonstrate that all models were able to distinguish the dominant background class from foreground structures with high overall accuracy.
• Abstract（参考訳）: カテーテル化画像処理には、高速で正確で説明可能なセグメンテーションモデルが必要である。 既存の研究の多くは二分法に重点を置いているが、カテーテル化シーンで見られる複数の構造の同時分割に対する近年の需要がある。 本研究では, マルチサイドエンコーダブロックとマルチヘッドデコーダブランチを用いて, マルチパートMLBNetアーキテクチャを設計した。 エンコーダの側方分岐は、反復的な特徴抽出によって多様な共有表現を学習し、一方、複数のデコーダヘッドは、カテーテル化シーンにおける異なる構造特性を専門とするクラススキュード分岐を導入するために使用される。 両部MLBNetアーキテクチャの性能を解析するために, ファントムモデル, 人工ヒト大動脈, 動物モデルにおいて, 心血管カテーテル化時に得られた複数のマルチクラスセグメンテーション血管造影データを用いて, モデルトレーニングと評価を行った。 その結果, 2部モデルではガイドワイヤ, カテーテル, 血管, 背景画素を高い確率で分類することができた。 その結果、全てのモデルが、全体精度の高い前景構造から支配的な背景クラスを区別することができた。

関連論文リスト

• Leveraging Transfer Learning with Class-Specific Decoders for Laparoscopic Segmentation [2.8921656251272094]
  外科的概念的知識が部分的に解剖学的表現の下でどのように伝達されるかを検討する。 その結果, 臓器特異的デコーダモデル (CEMD) は, クロスドメイン事前訓練後に完全に微調整され, 高いセグメンテーション性能が得られることがわかった。 しかし、外科的データのクラス不均衡は、転送学習が完全には解決しないという永続的な課題のままである。
  論文  参考訳（メタデータ） (2026-07-31T15:13:02Z)
• 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)
• H-Net: A Multitask Architecture for Simultaneous 3D Force Estimation and Stereo Semantic Segmentation in Intracardiac Catheters [0.0]
  視覚ベースのディープラーニングモデルは、触覚と視覚の両方をセンサレスで提供することができる。 カテーテルを2つの異なる角度から同時にセグメント化できる包括的アーキテクチャが欠如している。 本研究は,軽量なマルチインプット・マルチアウトプット・エンコーダ・デコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-31T15:55:13Z)
• Weakly-Supervised Learning via Multi-Lateral Decoder Branching for Tool Segmentation in Robot-Assisted Cardiovascular Catheterization [4.894147633944561]
  心血管造影データセットにおけるツールセグメンテーションのための多面的擬似ラベリングを用いた弱教師付き学習法を提案する。 この方法は、1つのエンコーダと複数の横分岐デコーダを備えた改良されたU-Netアーキテクチャを利用する。 心血管カテーテル3例の血管造影データを用いて, エンド・ツー・エンドを訓練し, 評価した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:44Z)
• Triple-View Knowledge Distillation for Semi-Supervised Semantic Segmentation [54.23510028456082]
  半教師付きセマンティックセグメンテーションのためのトリプルビュー知識蒸留フレームワークTriKDを提案する。 このフレームワークは、トリプルビューエンコーダとデュアル周波数デコーダを含む。
  論文  参考訳（メタデータ） (2023-09-22T01:02:21Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [66.89632406480949]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• 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)
• Weakly Supervised 3D Classification of Chest CT using Aggregated Multi-Resolution Deep Segmentation Features [5.938730586521215]
  CT画像の病巣分類は, 症例レベルのアノテーションが原因で, 局所性に乏しい。 マルチレゾリューション・セグメンテーション・フィーチャーマップを用いて学習した意味構造概念を活用する医療分類器を提案する。
  論文  参考訳（メタデータ） (2020-10-31T00:16:53Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。