論文の概要: Temporally Consistent Graph Extraction and Matching for Longitudinal Angiographic Images

• arxiv url: http://arxiv.org/abs/2609.16889v1
• Date: Tue, 15 Sep 2026 09:22:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.4322
• Title: Temporally Consistent Graph Extraction and Matching for Longitudinal Angiographic Images
• Title（参考訳）: 経時的に連続したグラフ抽出とマッチングによる経時的血管造影画像の検索
• Abstract要約: グラフを補修する前にグラフにマッチする戦略を提案する。 具体的には, 基本グラフ抽出後の早期マッチングを行い, 結合情報を用いて, 急激な膨らみを除去し, 両グラフの合流点をマージする。 複雑な網膜血管グラフを用いた実験では, この戦略により, グラフの断片化を伴わない領域が, 分離や精製を行わない領域よりも高く一致することが実証された。
• 参考スコア（独自算出の注目度）: 20.363715307204775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in angiographic imaging have enabled longitudinal visualization of the microvasculature. Image processing pipelines based on vessel graphs are able to resolve subtle temporal changes at the level of individual blood vessels. However, current strategies for graph extraction, refinement, and matching are highly sensitive, with even minuscule differences in the underlying segmentation map resulting in substantially different vessel graphs. These artifacts severely inhibit the ability to accurately match sequential vessel graphs of the same subject over time. To address this problem, we propose a strategy that matches graphs before jointly refining them. Specifically, we perform an early matching after basic graph extraction before removing spurious bulges and merging junctions in both graphs using joint information. In experiments with complex retinal vessel graphs, we demonstrate that this strategy results in a higher matched area without graph fragmentation compared to separate or no refinement, respectively.
• Abstract（参考訳）: 血管造影画像の最近の進歩は,微小血管の経時的可視化を可能にしている。 血管グラフに基づく画像処理パイプラインは、個々の血管レベルでの微妙な時間変化を解消することができる。 しかし、グラフ抽出、精細化、マッチングの現在の戦略は極めて敏感であり、基礎となるセグメンテーションマップの微妙な違いさえも、実質的に異なる血管グラフをもたらす。 これらのアーティファクトは、時間とともに同じ対象のシーケンシャルな血管グラフを正確にマッチングする能力を著しく阻害する。 この問題に対処するため,我々はグラフを補修する前にグラフにマッチする戦略を提案する。 具体的には, 基本グラフ抽出後の早期マッチングを行い, 結合情報を用いて, 急激な膨らみを除去し, 両グラフの合流点をマージする。 複雑な網膜血管グラフを用いた実験では, この戦略により, グラフの断片化を伴わない領域が, 分離や精製を行わない領域よりも高く一致することが実証された。

関連論文リスト

• Two Trades is not Baffled: Condensing Graph via Crafting Rational Gradient Matching [50.30124426442228]
  大規模グラフの学習はグラフ表現学習において顕著な成果を上げてきたが、そのコストと記憶力の増大が懸念されている。 そこで我々は,textbfCraftextbfTing textbfRationatextbf (textbfCTRL) という新しいグラフ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-07T14:49:10Z)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• Renormalized Graph Representations for Node Classification [21.589472270424405]
  ノード分類作業における粗いグラフ分解能の相違による影響を解析する。 グラフのメソスコピック構造の特徴スケールでの表現を特に実験する。 その結果,元のグラフと特徴的スケールグラフの両方にアクセス可能なモデルでは,統計的に有意な精度の向上が得られた。
  論文  参考訳（メタデータ） (2023-06-01T14:16:43Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Image Keypoint Matching using Graph Neural Networks [22.33342295278866]
  画像マッチング問題に対するグラフニューラルネットワークを提案する。 提案手法はまず,局所化ノード埋め込みを用いてキーポイント間の初期ソフト対応を生成する。 提案手法は,キーポイントアノテーションを用いた自然な画像データセット上で評価し,最先端のモデルと比較して,予測精度を犠牲にすることなく推論時間を高速化することを示す。
  論文  参考訳（メタデータ） (2022-05-27T23:38:44Z)
• Label-invariant Augmentation for Semi-Supervised Graph Classification [32.591130704357184]
  近年,コンピュータビジョン領域では,コントラッシブネスに基づく拡張が新たなクライマックスを引き起こしている。 画像とは異なり、グラフの性質を変えることなく合理的な拡張を設計することはより困難である。 この課題に対処するために,グラフ構造化データに対するラベル不変拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-19T18:44:02Z)
• FGOT: Graph Distances based on Filters and Optimal Transport [62.779521543654134]
  グラフ比較は、グラフ間の類似点と相違点の識別を扱う。 大きな障害は、グラフの未知のアライメントと、正確で安価な比較指標の欠如である。 本研究では,フィルタグラフ距離近似を導入する。
  論文  参考訳（メタデータ） (2021-09-09T17:43:07Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Graph Partitioning and Graph Neural Network based Hierarchical Graph Matching for Graph Similarity Computation [5.710312846460821]
  グラフ類似性は、下流アプリケーションを容易にするために、1組のグラフ間の類似度スコアを予測することを目的としている。 この問題を効果的に解決するために,PSimGNNと呼ばれるグラフ分割とグラフニューラルネットワークに基づくモデルを提案する。 PSimGNNはグラフ類似度メトリックとして近似グラフ編集距離(GED)を用いてグラフ類似度計算タスクにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-05-16T15:01:58Z)

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。