X-GAN: A Generative AI-Powered Unsupervised Model for Main Vessel Segmentation of Glaucoma Screening

要約

主要な網膜血管の構造変化は、緑内障の発症と進行の重要なバイオマーカーとして機能します。
これらの血管を特定することは、血管モデリングには非常に困難です。
このペーパーでは、光コヒーレンス断層撮影血管造影（OCTA）画像から主要な血管を抽出するために設計された生成AI駆動の監視されていないセグメンテーションモデルであるX-Ganを提案します。
このプロセスは、空間コロニー形成アルゴリズム（SCA）から始まり、半径を特徴とする容器の骨格を迅速に生成します。
X-GANは、生成敵のネットワーク（GAN）を船舶半径の生物統計モデリングと相乗的に統合することにより、容器の2D表現と3D表現の両方を迅速に再構築できるようにします。
この再構成に基づいて、X-Ganは、ラベル付きデータや高性能コンピューティングリソースに依存せずに、ほぼ100％のセグメンテーション精度を達成します。
実験結果は、既存の深い学習モデルと比較して、主容器セグメンテーションを評価する際のX-Ganの優位性を確認します。
コードはこちら：https：//github.com/vikixie/satmar8です。

要約(オリジナル)

Structural changes in main retinal blood vessels serve as critical biomarkers for the onset and progression of glaucoma. Identifying these vessels is vital for vascular modeling yet highly challenging. This paper proposes X-GAN, a generative AI-powered unsupervised segmentation model designed for extracting main blood vessels from Optical Coherence Tomography Angiography (OCTA) images. The process begins with the Space Colonization Algorithm (SCA) to rapidly generate a skeleton of vessels, featuring their radii. By synergistically integrating the generative adversarial network (GAN) with biostatistical modeling of vessel radii, X-GAN enables a fast reconstruction of both 2D and 3D representations of the vessels. Based on this reconstruction, X-GAN achieves nearly 100% segmentation accuracy without relying on labeled data or high-performance computing resources. Experimental results confirm X-GAN’s superiority in evaluating main vessel segmentation compared to existing deep learning models. Code is here: https://github.com/VikiXie/SatMar8.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google