論文の概要: Cross-Architectural Feature Fusion for Coronary Artery Stenosis Detection in X-ray Angiography
- arxiv url: http://arxiv.org/abs/2610.32730v1
- Date: Fri, 23 Oct 2026 14:48:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.585826
- Title: Cross-Architectural Feature Fusion for Coronary Artery Stenosis Detection in X-ray Angiography
- Title（参考訳）: X線アンギオグラフィーにおける冠動脈狭窄検出のためのクロスアーキテクチャー・フュージョン
- Abstract要約: 本稿では, YOLOv11-L検出器と事前学習したUNet++をチャネルアテンションゲーティングモジュールを介して組み合わせたハイブリッドフレームワークFusion-YOLOv11-Lを提案する。
これにより、意味と血管を意識した構造的特徴の融合が可能になり、狭窄領域の局在性が改善される。
ARCADEデータセットでの実験では、YOLOv11-Lよりもパフォーマンスが向上し、0.585のAP@50、0.596のF1スコアを達成した。
- 参考スコア（独自算出の注目度）: 3.3995857841853443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronary artery disease remains a leading cause of mortality, with stenosis detection from invasive X-ray Coronary Angiography (XCA) critical for diagnosis. Manual interpretation is time-consuming, subjective, and variable, especially under low contrast and vessel overlap. Existing deep learning methods often rely solely on detection or segmentation, limiting performance.We propose a hybrid framework, Fusion-YOLOv11-L, combining a YOLOv11-L detector with a pretrained UNet++ via a channel attention gating module. This enables fusion of semantic and vessel-aware structural features, improving localisation of stenotic regions. The UNet++ is pretrained on ARCADE vessel segmentation dataset to provide anatomically informed representations. Experiments on the relabeled ARCADE (ARCADE*) dataset show improved performance over YOLOv11-L, achieving AP@50 of 0.585 and F1-score of 0.596. Cross-domain evaluation on a dataset from the Oxford Acute Myocardial Infarction (OxAMI) Study reveals performance degradation due to domain shift, mitigated using test-time adaptation and augmentation. Test-time augmentation improves AP@50 from 0.434 to 0.480, indicating better generalisability. These results show that cross-architecture feature fusion and lightweight adaptation improve robustness and generalisability of automated stenosis detection in XCA.
- Abstract（参考訳）: 冠動脈疾患は致命的な死因であり, 侵襲的X線冠動脈造影(XCA)による狭窄検出が診断に必須である。
手動の解釈は時間がかかり、主観的であり、特に低コントラストと容器の重なりの下で変動する。
既存のディープラーニング手法は,検出やセグメンテーションにのみ依存し,性能を制限し,チャネルアテンションゲーティングモジュールを介して,YOLOv11-L検出器と事前訓練されたUNet++を組み合わせたハイブリッドフレームワークFusion-YOLOv11-Lを提案する。
これにより、意味と血管を意識した構造的特徴の融合が可能になり、狭窄領域の局在性が改善される。
UNet++はARCADEの船体セグメンテーションデータセットで事前訓練され、解剖学的に情報を得た表現を提供する。
ARCADE(ARCADE*)データセットの実験では、YOLOv11-Lよりもパフォーマンスが向上し、0.585のAP@50、0.596のF1スコアを達成した。
オックスフォード急性心筋梗塞(OxAMI)研究のデータセットにおけるクロスドメイン評価は、テスト時間適応と拡張により緩和されたドメインシフトによるパフォーマンス劣化を明らかにする。
テスト時間拡張はAP@50を0.434から0.480に改善し、より一般的な可能性を示している。
これらの結果から,XCAにおけるクロスアーキテクチャ機能融合と軽量適応により,自動狭窄検出の堅牢性と汎用性が向上することが示唆された。
関連論文リスト
- Modeling Clinical Workflow for SYNTAX Scoring from Coronary Angiography Videos [73.50200033931148]
我々はSynTAXスコアを血管セグメントのアイデンティティ保存解剖学的推論問題として再構成する。
本手法は, 骨・骨・骨・骨・骨の骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨
論文 参考訳（メタデータ） (2026-09-20T11:08:19Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - Fracture Detection and Localisation in Wrist and Hand Radiographs using Detection Transformer Variants [0.0]
救急医療において, レントグラフによる手首・手関節骨折の正確な診断が不可欠である。
トランスフォーマーベースのモデルでは、医用画像解析の改善が期待できるが、その極端骨折への応用は限られている。
本研究では,手首と手首のX線に物体検出変換器を適用することで,このギャップを解消する。
論文 参考訳（メタデータ） (2025-08-19T05:41:49Z) - Weakly Supervised Intracranial Aneurysm Detection and Segmentation in MR angiography via Multi-task UNet with Vesselness Prior [2.423045468361048]
頭蓋内動脈瘤 (IAs) は脳血管の異常な拡張であり、破裂すると生命を脅かす結果をもたらす。
本稿では,脳動脈瘤の検出とセグメンテーションを共同で行うために,血管度を組み込んだ3次元マルチタスクUNetを提案する。
論文 参考訳（メタデータ） (2025-08-01T00:45:46Z) - KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - A Deep Learning Model for Coronary Artery Segmentation and Quantitative Stenosis Detection in Angiographic Images [2.6879908098704544]
血管造影画像における冠状動脈の自動分画のための新しい深層学習法を提案する。
このモデルは、MedSAMとVM-UNetアーキテクチャを組み合わせて高性能な結果を得る。
狭窄検出アルゴリズムは真正率(TPR)が0.5867、正の予測値(PPV)が0.5911に達した。
論文 参考訳（メタデータ） (2024-06-01T16:45:33Z) - StenUNet: Automatic Stenosis Detection from X-ray Coronary Angiography [5.430434855741553]
冠動脈疾患(CAD)の重症度は、その位置、狭窄度(狭窄度)、血管数によって定量化される。
MICCAIの大挑戦:X線アンギオグラフィー(ARCADE)を用いた自動領域ベース冠動脈疾患診断は、狭窄アノテーションを用いたデータセットをキュレートした。
我々は,X線冠動脈造影から狭窄を正確に検出するアーキテクチャとアルゴリズムStenUNetを提案する。
論文 参考訳（メタデータ） (2023-10-23T14:04:18Z) - Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis [8.193689534916988]
膝関節症 (KOA) は筋骨格障害の1つで、運動量や生活の質に深刻な影響を及ぼす。
我々は,KL-0およびKL-2ステージの識別に焦点をあてた,早期のKOA検出のための信頼性駆動型ディープラーニングフレームワークを提案する。
実験により,提案フレームワークは専門家の放射線学者に匹敵する,競争精度,感度,特異性を達成できることが示された。
論文 参考訳（メタデータ） (2023-03-23T11:57:50Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z)
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。