論文の概要: FPG-Seg: Annotation-free Retinal Vessel Topology Segmentation

• arxiv url: http://arxiv.org/abs/2610.22259v1
• Date: Thu, 15 Oct 2026 17:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.225146
• Title: FPG-Seg: Annotation-free Retinal Vessel Topology Segmentation
• Title（参考訳）: FPG-Seg: Annotation-free Retinal Vessel Topology Segmentation
• Abstract要約: FPG-Segは網膜血管セグメンテーションのための無アノテーションパイプラインである。 古典的な血管のフィルタリング、ベイズ深層学習、およびトポロジーを意識したグラフ再構成を組み合わせて、手動のラベルなしで網膜血管のトポロジーを分割する。
• 参考スコア（独自算出の注目度）: 6.588840794922408
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: State-of-the art approaches to retinal vessel segmentation typically require extensive annotations, a highly time-consuming process, reliant on clinical expertise. We present FPG-Seg, an annotation-free pipeline for retinal vessel segmentation combining classical vesselness filtering, Bayesian deep learning and topology-aware graph reconstruction to segment retinal vessel topology without manual labels. Tested across four widely used benchmark datasets for retinal vessel segmentation, FPG-Seg attains a clDice of $0.74{-}0.78$, representing $86{-}98\%$ of the performance of an equivalent fully-supervised baseline, despite using no manual annotations for training or hyperparameter tuning. As part of this work, we also provide, to our knowledge, the first performance benchmark of an annotation-free vessel segmentation method on FIVES.
• Abstract（参考訳）: 網膜血管セグメンテーションへの最先端のアプローチは、一般的に、臨床の専門知識に頼って、非常に時間がかかるプロセスである広範囲なアノテーションを必要とする。 FPG-Segは,古典的血管性フィルタリング,ベイズ深層学習,トポロジ対応グラフ再構成を併用し,手動ラベルなしで網膜血管トポロジを分割する,網膜血管セグメンテーションのための注釈のないパイプラインである。 FPG-Segは、網膜血管のセグメンテーションのために広く使用されている4つのベンチマークデータセットでテストされ、トレーニングやハイパーパラメータチューニングのマニュアルアノテーションを使用しないにもかかわらず、同等の完全教師付きベースラインのパフォーマンスの86{-}98\%に相当する、0.74{-}0.78$のclDiceを達成した。 また,本研究の一環として,FIVES上でのアノテーションフリーな船体セグメンテーション法の性能ベンチマークを行った。

関連論文リスト

• RSF-Conv: Rotation-and-Scale Equivariant Fourier Parameterized Convolution for Retinal Vessel Segmentation [58.618797429661754]
  本稿では,網膜血管分割に特化して,回転・スケール同値なフーリエパラメータ化畳み込み(RSF-Conv)を提案する。 一般的なモジュールとして、RCF-Convはプラグイン・アンド・プレイ方式で既存のネットワークに統合できる。 RSF-Convの有効性を示すため,RSF-Conv+U-NetとRCF-Conv+Iter-Netを網膜動脈・静脈の分類に適用した。
  論文  参考訳（メタデータ） (2023-09-27T13:14:57Z)
• Feature Enhancer Segmentation Network (FES-Net) for Vessel Segmentation [19.455350961592742]
  本稿では,画像強調ステップを必要とせずに正確な画素分割を実現する機能拡張セグメンテーションネットワーク(FES-Net)を提案する。 FES-Netは入力画像を直接処理し、ダウンサンプリング中に4つのプロンプト畳み込みブロック(PCB)を利用する。 DRIVE, STARE, CHASE, HRFの4つの公開技術データセット上でのFES-Netの性能を評価する。
  論文  参考訳（メタデータ） (2023-09-07T07:46:46Z)
• Partial Vessels Annotation-based Coronary Artery Segmentation with Self-training and Prototype Learning [17.897934341782843]
  冠動脈セグメンテーションの課題と臨床診断的特徴に基づく部分血管アノテーション(PVA)を提案する。 提案手法は,未ラベル領域に知識を伝達するための容器の局所的特徴を学習し,伝播過程に導入された誤りを補正する。 PVA(24.29%の船体)における競合手法よりも優れていることが臨床データから明らかとなった。
  論文  参考訳（メタデータ） (2023-07-10T10:42:48Z)
• The RETA Benchmark for Retinal Vascular Tree Analysis [6.923431677344723]
  網膜血管分析を容易にするために,81個のラベル付き血管マスクを用いた新しいベンチマークRETAを構築した。 データセット構築中に、アノテーション間の変動とアノテーション内の変動を制御しようと試みた。 ユーザは、コンテナセグメンテーションアルゴリズムを開発したり、私たちのデータセットでコンテナセグメンテーションのパフォーマンスを評価したりできます。
  論文  参考訳（メタデータ） (2021-11-23T05:10:38Z)
• Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
  病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。 本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。 本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-08-01T07:28:32Z)
• Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
  本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。 提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-31T06:55:43Z)
• Every Annotation Counts: Multi-label Deep Supervision for Medical Image Segmentation [85.0078917060652]
  この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。 このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。 我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
  論文  参考訳（メタデータ） (2021-04-27T14:51:19Z)
• Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
  本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。 提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
  論文  参考訳（メタデータ） (2020-07-18T05:46:47Z)
• ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model [41.444917622855606]
  OCT-Aセグメンテーションデータセット(ROSE)は229枚のOCT-A画像からなり、中心線レベルまたは画素レベルで血管アノテーションを付加する。 次に,スプリットをベースとしたSCF-Net(Coarse-to-Fine vessel segmentation Network)を提案する。 SCF-Netでは、スプリットベース粗いセグメンテーション(SCS)モジュールを最初に導入し、スプリットベースリファインメント(SRN)モジュールを使用して形状・形状を最適化する。
  論文  参考訳（メタデータ） (2020-07-10T06:54:19Z)
• Joint Learning of Vessel Segmentation and Artery/Vein Classification with Post-processing [27.825969553813092]
  血管分節と動脈・静脈の分類は、潜在的な疾患について様々な情報を提供する。 我々は、UNetベースのモデルSeqNetを採用し、背景から船舶を正確に分割し、船舶のタイプを予測する。 実験の結果,AUCを0.98に改善し,DRIVEデータセットの分類精度は0.92に向上した。
  論文  参考訳（メタデータ） (2020-05-27T13:06:16Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。