論文の概要: ReG-SAM: Reference Graph-Driven SAM for 2D Foundational Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2609.31160v1
• Date: Fri, 25 Sep 2026 11:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.369846
• Title: ReG-SAM: Reference Graph-Driven SAM for 2D Foundational Vessel Segmentation
• Title（参考訳）: ReG-SAM:2次元基礎容器セグメンテーションのための参照グラフ駆動SAM
• Abstract要約: 医療画像の血管分割は、診断から治療計画まで、多くの臨床業務に不可欠である。 既存のディープラーニング手法は、解剖学とモダリティにまたがる一般化可能な血管セグメンタの構築をめざすことは滅多にない。 本稿では2次元血管セグメンテーションに適したフレームワークであるReG-SAMを提案する。
• 参考スコア（独自算出の注目度）: 3.3787272394764902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vessel segmentation in medical images is essential for many clinical tasks, ranging from diagnosis to treatment planning. However, it remains challenging due to complex vascular morphology and diverse imaging conditions. Existing deep learning methods rarely aim at building a generalizable vessel segmentor across anatomies and modalities. While the Seg- ment Anything Model (SAM) has shown promise for med- ical image segmentation, its original design does not fully exploit vascular morphology and struggles with fine-grained vascular structures, leading to suboptimal performance. In this paper, we propose ReG-SAM, a SAM-based framework tailored to 2D vessel segmentation that leverages reference graph set for enhancing vascular representations. Specifically, we introduce two modality-aware representations derived from the reference masks: graph prompt embeddings (GPEs) that encode global spatial features from graphs, and vascu- lar prototype embeddings (VPEs) that capture fine-grained modality-specific vessel characteristics from multi-scale fea- ture maps and vascular masks. Since both require vascular masks that are unavailable during inference and require robust modality-aware vascular feature representations, we construct a modality-wise vascular database and develop two reference graph-guided representation learning schemes for estimating GPEs and VPEs using samples from the database rather than ground-truth masks. Extensive experiments across 19 datasets demonstrate that ReG-SAM consistently outperforms existing baselines, even those using manual prompts, particularly on challenging thin vessels.
• Abstract（参考訳）: 医療画像の血管分割は、診断から治療計画まで、多くの臨床業務に不可欠である。 しかし、複雑な血管形態と多様な画像条件のため、依然として困難である。 既存のディープラーニング手法は、解剖学とモダリティにまたがる一般化可能な血管セグメンタの構築をめざすことは滅多にない。 Seg-ment Anything Model (SAM) はメドカル画像分割を約束しているが、当初の設計では血管形態を十分に活用せず、細粒度の血管構造に苦慮しているため、最適な性能が得られない。 本稿では2次元血管セグメンテーションに適したSAMベースのフレームワークであるReG-SAMを提案する。 具体的には,グラフからグローバルな空間的特徴を符号化するグラフプロンプト埋め込み(GPE)と,マルチスケールのフェアチャーマップや血管マスクから微細なモダリティ特異的血管特性をキャプチャするvascu-lar プロトタイプ埋め込み(VPE)という,参照マスクから派生した2つのモダリティ認識表現を紹介した。 両者とも, 推論時に使用不能で, 頑健なモダリティを意識した血管特徴表現を必要とするため, GPE と VPE の2つの参照グラフ誘導表現学習スキームを構築した。 19のデータセットにわたる大規模な実験は、ReG-SAMが既存のベースライン、特に難易度の高い細い船で手動のプロンプトを使用しても、一貫して上回っていることを示している。

関連論文リスト

• MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
  ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。 本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。 今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
  論文  参考訳（メタデータ） (2026-06-04T20:24:47Z)
• MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
  血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
  論文  参考訳（メタデータ） (2026-05-25T02:32:29Z)
• Vesselpose: Vessel Graph Reconstruction from Learned Voxel-wise Direction Vectors in 3D Vascular Images [2.8991059698468287]
  本稿では3次元画像データからトポロジカルに正確な血管グラフを抽出する手法を提案する。 提案手法は,3つのベンチマークデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-05-01T09:34:39Z)
• VFGS-Net: Frequency-Guided State-Space Learning for Topology-Preserving Retinal Vessel Segmentation [14.615144175462051]
  本稿では、周波数認識機能強化、デュアルパス畳み込み表現学習、および統一アーキテクチャ内の非対称空間状態空間モデリングをシームレスに統合するエンドツーエンドセグメンテーションフレームワークを提案する。 本モデルでは, 細血管, 複雑な分岐パターン, 低コントラスト領域のセグメンテーション精度を常に改善し, その堅牢性と臨床応用の可能性を強調した。
  論文  参考訳（メタデータ） (2026-02-11T16:07:29Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• RAU: Reference-based Anatomical Understanding with Vision Language Models [26.06602931463068]
  視覚言語モデル(VLM)を用いた参照型解剖学的理解のためのフレームワークであるRAUを紹介する。 まず,VLMが参照画像と対象画像の相対的空間的推論により解剖学的領域の同定を学習することを示す。 次に, VLM由来の空間的手がかりをSAM2の細粒度セグメンテーション能力とシームレスに統合できることを実証した。
  論文  参考訳（メタデータ） (2025-09-26T14:32:03Z)
• CLAPS: A CLIP-Unified Auto-Prompt Segmentation for Multi-Modal Retinal Imaging [47.04292769940597]
  CLIP統合オートプロンプト(CLAPS)は,網膜イメージングにおける様々なタスクとモダリティをまたいだセグメンテーションを統一する新しい手法である。 私たちのアプローチは、CLIPベースの画像エンコーダを、大規模なマルチモーダル網膜データセット上で事前トレーニングすることから始まります。 タスクを統一し、曖昧さを解消するために、各画像のモダリティに固有の「モダリティシグネチャ」を付加したテキストプロンプトを使用する。
  論文  参考訳（メタデータ） (2025-09-10T14:14:49Z)
• VasoMIM: Vascular Anatomy-Aware Masked Image Modeling for Vessel Segmentation [11.157006681644136]
  我々はX線血管造影のための血管解剖学対応マスクド画像モデリング(VasoMIM)を紹介した。 VasoMIMは、解剖学的知識を事前学習プロセスに統合する。 解剖誘導マスキング戦略と解剖学的整合性損失の2つの相補的な構成要素から構成される。 VasoMIMは3つのデータセットにわたる最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-14T16:17:02Z)
• Medical Image Registration Meets Vision Foundation Model: Prototype Learning and Contour Awareness [11.671950446844356]
  既存の変形可能な登録法は強度に基づく類似度測定のみに依存しており、明確な解剖学的知識が欠如している。 本稿では,プロトタイプ学習と輪郭認識を取り入れた新しいSAM支援登録フレームワークを提案する。 私たちのフレームワークは、既存のメソッドを複数のデータセットで大幅に上回っています。
  論文  参考訳（メタデータ） (2025-02-17T04:54:47Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)

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。