論文の概要: Temporal Diffusion Bridge Model for Vessel Extraction Using Physics-informed Synthetic Data

• arxiv url: http://arxiv.org/abs/2610.14105v1
• Date: Thu, 08 Oct 2026 22:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:14:19.935202
• Title: Temporal Diffusion Bridge Model for Vessel Extraction Using Physics-informed Synthetic Data
• Title（参考訳）: 物理インフォームド合成データを用いた容器抽出のための時間拡散ブリッジモデル
• Abstract要約: 画像変換として容器抽出を定式化する時間拡散ブリッジモデルを提案する。 物理ベースのXCA合成エンジンは、コントラスト強調画像とコントラストフリー画像の多種多様な完全整列対を生成する。 2つのXCAコンテナセグメンテーションデータセット上でTDBMを評価し,2つの実患者XCAシークエンスデータセットを用いて読者調査を行った。
• 参考スコア（独自算出の注目度）: 2.8650902809957124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate artery extraction from X-ray coronary angiography (XCA) is essential for coronary artery disease diagnosis and intervention. However, low vessel visibility, respiratory and cardiac motion, and limited annotations challenge existing methods. Moreover, most deep learning approaches produce binary vessel masks without preserving clinically relevant intra-arterial contrast information. We propose a Temporal Diffusion Bridge Model (TDBM) that formulates vessel extraction as image translation and learns from physics-informed synthetic data without manual vessel annotations. A physics-based XCA synthesis engine generates diverse, perfectly aligned pairs of contrast-enhanced and contrast-free images. Using these pairs, TDBM learns cross-domain mappings to recover high-fidelity vessel information. Temporal conditioning incorporates adjacent frames to improve consistency, while a vessel-aware contrastive loss exploits background-invariant synthetic pairs to enhance vascular discrimination. We evaluate TDBM on two XCA vessel segmentation datasets and conduct a reader study using two real-patient XCA sequence datasets. Zero-shot segmentation is further assessed on retinal imaging and fluorescence microscopy datasets. Results demonstrate that TDBM consistently outperforms existing methods and generalizes effectively across imaging modalities. Code and trained weights will be available at: https://github.com/Advanced-AI-in-Medicine-and-Physics-Lab/TDBM
• Abstract（参考訳）: X-ray coronary angiography (XCA) からの正確な動脈抽出は冠動脈疾患の診断と治療に不可欠である。 しかし、血管の視認性、呼吸と心臓の動き、アノテーションの制限は既存の方法に挑戦する。 さらに、ほとんどのディープラーニングアプローチは、臨床的に関連する動脈内コントラスト情報を保存せずにバイナリ血管マスクを生成する。 画像変換として容器抽出を定式化し,手動の血管アノテーションを使わずに物理インフォームされた合成データから学習する時間拡散ブリッジモデル(TDBM)を提案する。 物理ベースのXCA合成エンジンは、コントラスト強調画像とコントラストフリー画像の多種多様な完全整列対を生成する。 これらのペアを使用して、TDBMはクロスドメインマッピングを学び、高忠実度容器情報を復元する。 テンポラルコンディショニングは、隣接するフレームを組み込んで整合性を改善する一方で、血管認識のコントラスト損失は、背景不変の合成ペアを利用して血管の識別を強化する。 2つのXCAコンテナセグメンテーションデータセット上でTDBMを評価し,2つの実患者XCAシークエンスデータセットを用いて読者調査を行った。 ゼロショットセグメンテーションは、網膜イメージングと蛍光顕微鏡データセットでさらに評価される。 その結果、TDBMは既存の手法を一貫して上回り、画像のモダリティにわたって効果的に一般化することを示した。 コードとトレーニングされたウェイトは、https://github.com/Advanced-AI-in-Medicine-and-Physics-Lab/TDBMで利用可能になる。

関連論文リスト

• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
  本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。 提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。 前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
  論文  参考訳（メタデータ） (2024-07-01T16:09:07Z)
• A label-free and data-free training strategy for vasculature segmentation in serial sectioning OCT data [4.746694624239095]
  オプティカル・コヒーレンス・トモグラフィー (OCT) は, 死後神経血管の研究でますます人気が高まっている。 ここでは、深層学習セグメンテーションモデルをトレーニングするために、容器の合成データセットを活用する。 どちらのアプローチも同様のDiceスコアを得るが、偽陽性と偽陰率は非常に異なる。
  論文  参考訳（メタデータ） (2024-05-22T15:39:31Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• C-DARL: Contrastive diffusion adversarial representation learning for label-free blood vessel segmentation [39.79157116429435]
  本稿では,C-DARLモデルと呼ばれる自己教師型血管分割手法を提案する。 本モデルは,多領域血管データの分布を学習する拡散モジュールと生成モジュールから構成される。 有効性を検証するために、C-DARLは冠動脈血管造影、腹部デジタルサブトラクション血管造影、網膜画像などの様々な血管データセットを用いて訓練される。
  論文  参考訳（メタデータ） (2023-07-31T23:09:01Z)
• Synthetic optical coherence tomography angiographs for detailed retinal vessel segmentation without human annotations [12.571349114534597]
  本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。 本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2023-06-19T14:01:47Z)
• 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)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。