Fugu-MT 論文翻訳(概要): VolumeNet: A Lightweight Parallel Network for Super-Resolution of Medical Volumetric Data

論文の概要: VolumeNet: A Lightweight Parallel Network for Super-Resolution of Medical Volumetric Data

arxiv url: http://arxiv.org/abs/2010.08357v2
Date: Sat, 24 Oct 2020 06:00:55 GMT
ステータス: 処理完了
システム内更新日: 2022-10-06 21:50:07.575296
Title: VolumeNet: A Lightweight Parallel Network for Super-Resolution of Medical Volumetric Data
Title（参考訳）: VolumeNet: 医療用ボリュームデータの超解像のための軽量並列ネットワーク
Authors: Yinhao Li, Yutaro Iwamoto, Lanfen Lin, Rui Xu, Yen-Wei Chen
Abstract要約: 並列接続を用いたParallelNetと呼ばれる医療ボリュームデータのSRのための3次元畳み込みニューラルネットワーク(CNN)を提案する。本稿では,提案手法によりモデルパラメータの数を著しく削減し,高精度な結果が得られることを示す。
参考スコア（独自算出の注目度）: 20.34783243852236
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning-based super-resolution (SR) techniques have generally achieved excellent performance in the computer vision field. Recently, it has been proven that three-dimensional (3D) SR for medical volumetric data delivers better visual results than conventional two-dimensional (2D) processing. However, deepening and widening 3D networks increases training difficulty significantly due to the large number of parameters and small number of training samples. Thus, we propose a 3D convolutional neural network (CNN) for SR of medical volumetric data called ParallelNet using parallel connections. We construct a parallel connection structure based on the group convolution and feature aggregation to build a 3D CNN that is as wide as possible with few parameters. As a result, the model thoroughly learns more feature maps with larger receptive fields. In addition, to further improve accuracy, we present an efficient version of ParallelNet (called VolumeNet), which reduces the number of parameters and deepens ParallelNet using a proposed lightweight building block module called the Queue module. Unlike most lightweight CNNs based on depthwise convolutions, the Queue module is primarily constructed using separable 2D cross-channel convolutions. As a result, the number of network parameters and computational complexity can be reduced significantly while maintaining accuracy due to full channel fusion. Experimental results demonstrate that the proposed VolumeNet significantly reduces the number of model parameters and achieves high precision results compared to state-of-the-art methods.
Abstract（参考訳）: 深層学習に基づく超解像(SR)技術は一般にコンピュータビジョン分野で優れた性能を発揮している。近年,医用ボリュームデータに対する3次元SRは従来の2次元(2次元)処理よりも視覚的効果が優れていることが証明されている。しかし、3Dネットワークの深化と拡張は、多数のパラメータと少数のトレーニングサンプルにより、トレーニングの難しさを著しく高める。そこで本研究では,並列接続を用いた医用ボリュームデータsrのための3次元畳み込みニューラルネットワーク(cnn)を提案する。グループ畳み込みと特徴集約に基づく並列接続構造を構築し,パラメータの少ない,可能な限り広い3d cnnを構築する。結果として、モデルはより大きな受容フィールドを持つ機能マップを徹底的に学習する。さらに,提案するキューモジュールと呼ばれる軽量ビルディングブロックモジュールを用いて,パラメータ数を削減し,並列ネットを深層化する並列ネットの効率的なバージョン(ボリュームネット)を提案する。奥行きの畳み込みに基づくほとんどの軽量CNNとは異なり、キューモジュールは主に分離可能な2Dチャネルの畳み込みを用いて構築される。その結果、完全チャネル融合による精度を維持しつつ、ネットワークパラメータ数と計算複雑性を大幅に削減することができる。実験結果から,提案したVolumeNetはモデルパラメータ数を著しく削減し,最先端手法と比較して高精度な結果が得られることがわかった。

関連論文リスト

Spatiotemporal Modeling Encounters 3D Medical Image Analysis: Slice-Shift UNet with Multi-View Fusion [0.0]
本稿では,2次元CNNにおける3次元特徴をエンコードする2次元モデルSlice SHift UNetを提案する。より正確にマルチビュー機能は、ボリュームの3次元平面に沿って2次元の畳み込みを実行することで協調的に学習される。提案手法の有効性は,多モード腹部多臓器軸 (AMOS) と Cranial Vault (BTCV) データセットを越えたマルチアトラスラベリング (Multi-Atlas Labeling Beyond the Cranial Vault) で検証した。
論文参考訳（メタデータ） (2023-07-24T14:53:23Z)
SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文参考訳（メタデータ） (2022-09-13T12:12:19Z)
GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文参考訳（メタデータ） (2022-07-18T06:01:29Z)
MNet: Rethinking 2D/3D Networks for Anisotropic Medical Image Segmentation [13.432274819028505]
学習を通して空間表現間のバランスをとるために,新しいメッシュネットワーク(MNet)を提案する。総合的な実験は4つのパブリックデータセット(CT&MR)で実施される
論文参考訳（メタデータ） (2022-05-10T12:39:08Z)
3DVNet: Multi-View Depth Prediction and Volumetric Refinement [68.68537312256144]
3DVNetは、新しいマルチビューステレオ(MVS)深度予測法である。私たちのキーとなるアイデアは、粗い深度予測を反復的に更新する3Dシーンモデリングネットワークを使用することです。本手法は, 深度予測と3次元再構成の両指標において, 最先端の精度を超えることを示す。
論文参考訳（メタデータ） (2021-12-01T00:52:42Z)
DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
論文参考訳（メタデータ） (2021-09-21T09:57:21Z)
EDNet: Efficient Disparity Estimation with Cost Volume Combination and Attention-based Spatial Residual [17.638034176859932]
既存の分散度推定は、主に4D結合ボリュームを活用し、分散回帰のための非常に深い3D畳み込みニューラルネットワーク(CNN)を構築する。本稿では,EDNetというネットワークを効率よく分散推定する手法を提案する。 Scene FlowとKITTIデータセットの実験は、EDNetが以前の3D CNNベースの作業より優れていることを示している。
論文参考訳（メタデータ） (2020-10-26T04:49:44Z)
The Case for Strong Scaling in Deep Learning: Training Large 3D CNNs with Hybrid Parallelism [3.4377970608678314]
大規模3次元畳み込みニューラルネットワークを学習するためのスケーラブルなハイブリッド並列アルゴリズムを提案する。提案したトレーニングアルゴリズムを,CosmoFlowと3D U-Netの2つの挑戦的な3D CNNを用いて評価した。
論文参考訳（メタデータ） (2020-07-25T05:06:06Z)
Dense Hybrid Recurrent Multi-view Stereo Net with Dynamic Consistency Checking [54.58791377183574]
1)DRENet(Dense Reception Expanded)モジュールで,原サイズの密集した特徴マップをマルチスケールのコンテキスト情報で抽出し,2)HU-LSTM(Hybrid U-LSTM)を用いて3次元マッチングボリュームを予測深度マップに変換する。 R-MVSNetのメモリ消費は19.4%しかかからないが,本手法は最先端の手法と競合する性能を示し,メモリ消費を劇的に削減する。
論文参考訳（メタデータ） (2020-07-21T14:59:59Z)
LAMP: Large Deep Nets with Automated Model Parallelism for Image Segmentation [13.933491086186809]
モデル並列処理(LAMP)を用いた大深度3D ConvNets について紹介する。画像全体であっても、大きな入力パッチで大きな3D ConvNetをトレーニングすることが可能である。実験により、自動モデル並列化によって促進されるセグメンテーション精度が向上できることが示されている。
論文参考訳（メタデータ） (2020-06-22T19:20:35Z)
Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。