論文の概要: Beyond Volume Overlap: Surface Matching for Topology-Aware Coronary Artery Segmentation
- arxiv url: http://arxiv.org/abs/2609.31740v1
- Date: Tue, 22 Sep 2026 22:14:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 13:12:16.878207
- Title: Beyond Volume Overlap: Surface Matching for Topology-Aware Coronary Artery Segmentation
- Title（参考訳）: 冠状動脈分割術におけるサーフェスマッチング法 : ボリュームオーバーラップを超えて
- Abstract要約: 予測された面点と基準面点とを一致させる曲面計量を導入する。
強いDiceで訓練されたベースラインは幻覚よりもはるかに多くの血管表面を持つことを示す。
- 参考スコア（独自算出の注目度）: 3.4629732293208693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate coronary artery segmentation on coronary computed tomography angiography (CCTA) is essential for diagnosing coronary artery disease. Deep networks are conventionally trained and evaluated with the Dice coefficient, but volume-overlap metrics are poorly suited to thin, tubular anatomy: since most voxels belong to a few thickproximal segments, a missing distal branch barely affects Dice despite severely disrupting the connectivity required for clinical use. We introduce a surface metric that matches predicted and reference surface points via bipartite assignment under a localized, vessel-radius tolerance, reporting precision, recall, and F1 with decoupled false positives (spurious branches) and false negatives (missed branches) a distinction the symmetric Dice cannot make. With it we show that a strong Dice-trained baseline omits far more vessel surface than it hallucinates, an asymmetry its high Dice hides. Building on this, we propose a differentiable surface loss that simultaneously suppresses spurious mass and recovers absent structure, validated by fine-tuning three backbones (nnU-Net, SwinUNETR, NexToU) on two public benchmarks (Image-CAS, ASOCA). Against a matched-epoch control, it significantly improves surface F1 by recovering missed distal vessels at comparable Dice. Our findings argue for measuring and optimizing the vessel surface, not the volume it overlaps. Code
- Abstract（参考訳）: 冠動脈病変の診断には,冠動脈造影(CCTA)による正確な冠動脈分割が不可欠である。
ディープネットワークは伝統的にディース係数を用いて訓練され評価されているが、ボリュームオーバーラップの指標は細い管状解剖学には適していない。
そこで本稿では, 局所的, 容器半径耐性, 報告精度, 再現率, F1, 分離された偽陽性 (スパーラス分岐) と偽陰性 (欠枝) の両面配置により, 予測面点と参照面点とを一致させる曲面計量法を提案する。
これにより、強いDiceで訓練されたベースラインは幻覚よりもはるかに多くの血管表面を省略し、その高Diceが隠蔽する非対称性を示す。
そこで我々は,2つの公開ベンチマーク (Image-CAS, ASOCA) 上で3つのバックボーン (nnU-Net, SwinUNETR, NexToU) を微調整し, 同時にスプリアス質量を抑え, 欠落構造を復元する微分可能な表面損失を提案する。
マッチしたエポック制御に対して、Diceに匹敵する欠損した遠位船を回収することで、表面F1を著しく改善する。
以上の結果から,血管表面の計測と最適化について考察した。
法典
関連論文リスト
- Mind the Gap: Mesh-Guided Repair of Broken Vessels [0.22067925276806286]
本稿では nnU-Net が生成する壊れた船体セグメントを修復するためのメッシュ誘導後処理フレームワークを提案する。
予測された各バイナリマスクに対して、変形可能なテンプレートメッシュが物理空間のマスク表面に取り付けられ、ケース固有の幾何学的足場として使用される。
AortaSeg24とSEGAを大動脈,TopCoWをWillis,PARSEを肺動脈の3つの血管解剖学的検討を行った。
論文 参考訳（メタデータ） (2026-09-24T13:22:19Z) - Same Branches, Different Trees: A Bifurcation Connectedness Metric for Coronary Artery Segmentation and FFR-CT Decision Agreement [0.5131152350448099]
CTアンギオグラフィー(FFR-CT)による分画血流予備区は、患者固有の血管モデルを通しての流れをシミュレートする。
clDiceやSkeleton Recallのようなトポロジに配慮した損失は、グローバルな中心線に作用し、局所的な休憩を見逃す可能性がある。
本研究では,各地道分岐点における連結度をスコアするBfurcation Connectedness Score (BCS) と,その識別可能なトレーニングサロゲートであるSoft-BCSについて検討した。
論文 参考訳（メタデータ） (2026-07-30T14:57:42Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - Learning to Look Closer: A New Instance-Wise Loss for Small Cerebral Lesion Segmentation [64.7502063982282]
本稿では,CC-Metricsフレームワークに基づく損失関数であるCC-DiceCEを紹介し,既存のブロブ損失と比較する。
その結果,CC-DiceCEの損失は検出(リコール)を増加させるが,セグメンテーション性能は低下しない。
論文 参考訳（メタデータ） (2025-11-21T11:10:05Z) - A topology-preserving three-stage framework for fully-connected coronary artery extraction [39.47027832777158]
冠動脈摘出術は,冠動脈疾患のコンピュータ診断に必須である。
完全連結冠状動脈抽出のためのトポロジー保存型3段階フレームワークを提案する。
このフレームワークには、血管のセグメンテーション、中心線再接続、血管再建の欠如が含まれる。
論文 参考訳（メタデータ） (2025-04-02T11:04:44Z) - Centerline Boundary Dice Loss for Vascular Segmentation [6.988368827452061]
画像診断における血管セグメンテーションは形態学的および機能的評価を分析する上で重要な役割を担っている。
中央のDice(clDice)損失のような伝統的な手法は、トポロジーの保存を確実にするが、幾何学的詳細を捉えることには失敗する。
位相整合性と幾何ニュアンスを調和させる中心線境界Dice(cbDice)損失関数を導入する。
論文 参考訳（メタデータ） (2024-07-01T17:58:44Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - Segmentation and Vascular Vectorization for Coronary Artery by
Geometry-based Cascaded Neural Network [26.88627331841325]
そこで本研究では,冠動脈の形状をベースとしたカスケード分割法を提案する。
冠動脈のメッシュは連続的かつ正確であり, ねじれ, 洗練された冠状動脈構造を有する。
本手法は, 分節血管の断片化を伴わない, 正確で無傷でスムーズな冠動脈を作製する。
論文 参考訳（メタデータ） (2023-05-07T07:26:41Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and
Landmark Localization on 3D Intraoral Scans [56.55092443401416]
TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。
PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
論文 参考訳（メタデータ） (2021-09-24T13:00:26Z) - clDice -- A Novel Topology-Preserving Loss Function for Tubular
Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。
理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。
我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文 参考訳（メタデータ） (2020-03-16T16:27:49Z)
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。