論文の概要: Novel Methods for Catheter and Guidewire Segmentation in X-ray Fluoroscopy under a Federated Learning Setting
- arxiv url: http://arxiv.org/abs/2609.06876v1
- Date: Sun, 06 Sep 2026 23:44:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.33083
- Title: Novel Methods for Catheter and Guidewire Segmentation in X-ray Fluoroscopy under a Federated Learning Setting
- Title（参考訳）: フェデレート学習環境下でのX線フルオロスコープにおけるカテーテルとガイドワイヤセグメンテーションの新しい手法
- Abstract要約: 本論文は,カテーテルおよびガイドワイヤ解析のための構造認識型フェデレーション学習フレームワークを提案する。
ベンチマークデータセットであるCathActionは、60,000以上の注釈付きフレームと40,000のセグメンテーションマスクを備えたカテーテル分析のために導入された。
形状に敏感な損失は、マスクを構造的特徴空間と比較して符号付き距離マップに変換し、5つのバックボーンで最大2.9ポイントのDice係数を改善する。
予測勾配勾配に基づくフェデレート学習は、対向最適化を付加し、実際のアニマルデータ上で平均交点を10ポイント以上引き上げる。
- 参考スコア（独自算出の注目度）: 0.02476301982486699
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Endovascular procedures rely on real-time manipulation of thin instruments, catheters and guidewires, under X-ray fluoroscopy guidance, where accurate visual analysis is essential for procedural safety. Learning-based methods are constrained by structural complexity, data scarcity, and privacy regulations precluding centralised training across institutions. This thesis presents a structure-aware federated learning framework for catheter and guidewire analysis, with four contributions evaluated on real-animal and phantom data. A benchmark dataset, CathAction, is introduced for catheterisation analysis, with over 600,000 annotated frames and 40,000 segmentation masks. A shape-sensitive loss transforms masks into signed distance maps compared in a structural feature space, improving Dice coefficient by up to 2.9 points across five backbones. This is extended to federated learning with shape-sensitive loss, preserving geometric consistency under heterogeneous client data and outperforming federated averaging by up to three points in mean intersection-over-union as clients scale from four to eight. Federated learning with projected gradient descent adds adversarial optimisation, raising mean intersection-over-union by over ten points on real-animal data. Finally, a structure-aware diffusion framework synthesises catheter and guidewire video sequences, combining structural supervision with a domain-adaptive reconstruction objective, reducing Frechet video distance over a strong baseline while maintaining visual fidelity. Incorporating synthetic sequences into federated training raises the Dice score from 44 to 51 percent under data scarcity, with gains across four held-out sites. Together, these contributions advance privacy-preserving catheter and guidewire analysis, supporting collaborative training without centralising patient data or large amounts of manual annotation.
- Abstract（参考訳）: 血管内手術は、X線フルオロスコープ法により、細い器具、カテーテル、ガイドワイヤをリアルタイムに操作することに依存しており、プロシージャの安全性には正確な視覚分析が不可欠である。
学習ベースの手法は、構造的な複雑さ、データ不足、機関間の集中的なトレーニングを前にしたプライバシー規制によって制約される。
本論文は,リアルアニマルデータとファントムデータに基づく4つのコントリビューションを用いて,カテーテルおよびガイドワイヤ解析のための構造対応フェデレーション学習フレームワークを提案する。
ベンチマークデータセットであるCathActionは、60,000以上の注釈付きフレームと40,000のセグメンテーションマスクを備えたカテーテル分析のために導入された。
形状に敏感な損失は、マスクを構造的特徴空間と比較して符号付き距離マップに変換し、5つのバックボーンで最大2.9ポイントのDice係数を改善する。
これは、形状に敏感な損失を伴うフェデレーション学習に拡張され、不均一なクライアントデータの下で幾何学的整合性を保持し、クライアントが4から8までスケールするにつれて、平均的なフェデレーション平均値が最大3ポイント向上する。
予測勾配勾配に基づくフェデレート学習は、対向最適化を付加し、実際のアニマルデータ上で平均交点を10ポイント以上引き上げる。
最後に、構造対応拡散フレームワークは、カテーテルとガイドワイヤのビデオシーケンスを合成し、構造管理とドメイン適応的再構成の目的を組み合わせることにより、視覚的忠実性を維持しつつ、強力なベースライン上でのフレシェットビデオ距離を低減する。
人工的なシーケンスをフェデレーショントレーニングに組み込むことで、Diceのスコアは44から51パーセントまで、データ不足下で上昇する。
これらの貢献により、プライバシ保護カテーテルとガイドワイヤ分析が促進され、患者データや大量の手動アノテーションを集中せずに協調トレーニングが支援される。
関連論文リスト
- LUTSeg: A Longitudinal Multi-Expert Dataset for Ulcer Tissue Segmentation [37.740722264328205]
創傷組織組成の定量化は慢性潰瘍の進行をモニタリングし、治療決定を導くのに不可欠である。
創部マスクを装着した39例141例の慢性潰瘍データセットLUTSegと5名の専門医がアノテートした5種類の組織分類について紹介した。
教師-学生アーキテクチャ内の凍結医療ビジョン言語モデルから,マルチスケールのセマンティクスを組み込んだ半教師付き組織セマンティクスフレームワークTiSageを提案する。
論文 参考訳（メタデータ） (2026-08-26T14:39:30Z) - Hierarchy-Aware and Anatomy-Guided Learning for Lung Ultrasound Video Classification [2.347521278352654]
肺超音波 (LUS) は、心不全や腎機能障害によるリスクのある患者の肺浮腫を評価するためのベッドサイドツールである。
階層型学習と解剖学誘導学習の2つのコンポーネントを探索する多クラスLUSビデオ分類のためのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-20T04:55:28Z) - CIPHER: Causal Intervention Pathways for Healthcare Equity and Robustness [12.8473199678431]
構造因果モデルを用いて医用画像形成過程を定式化する。
CIPHERは4つの因果経路すべてに介入するように設計されたフレームワークである。
マルチパス介入戦略を用いて,最悪のグループ格差を平均35.8%削減した。
論文 参考訳（メタデータ） (2026-07-01T09:36:53Z) - Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。
コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
論文 参考訳（メタデータ） (2026-06-30T15:42:23Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - FALCON: Few-Shot Adversarial Learning for Cross-Domain Medical Image Segmentation [6.934814982783991]
データを2次元スライスとして処理することで,高精度な3次元ボリュームセグメンテーションを実現するクロスドメイン・ショットセグメンテーションフレームワークであるFALCONを提案する。
FALCONは最も低いハウスドルフ距離のスコアを一貫して達成し、境界精度が優れていることを示す。
結果はラベル付きデータを大幅に減らし、データ拡張をなくし、計算オーバーヘッドを大幅に減らして達成される。
論文 参考訳（メタデータ） (2026-01-04T22:57:49Z) - Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。
本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。
以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
論文 参考訳（メタデータ） (2025-11-11T04:16:12Z) - Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations [3.1898695141875772]
このデータセットには,184例のT1強調検査(T1CE)534例と6例の非アノテーションT2強調検査(T2強調検査)190例が含まれている。
提案手法は,自動セグメンテーションモデルの目的とするデータ分布への効率的かつ資源効率の高い一般化を可能にする。
従来の手作業による注釈処理と比較して、効率を約37.4%向上させると見積もられている。
論文 参考訳（メタデータ） (2025-11-01T09:53:28Z) - Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。
本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。
SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
論文 参考訳（メタデータ） (2025-09-30T08:59:06Z) - Synthetic Data for Robust Stroke Segmentation [0.0]
ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。
本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。
我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
論文 参考訳（メタデータ） (2024-04-02T13:42:29Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z)
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。