論文の概要: 3D Axial-Attention for Lung Nodule Classification

• arxiv url: http://arxiv.org/abs/2012.14117v2
• Date: Sat, 2 Jan 2021 06:52:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-24 16:32:00.412685
• Title: 3D Axial-Attention for Lung Nodule Classification
• Title（参考訳）: 肺結節分類における3次元軸位置
• Authors: Mundher Al-Shabi, Kelvin Shak, Maxine Tan
• Abstract要約: 通常の非ローカルネットワークの計算能力のほんの一部を必要とする3D Axial-Attentionを使用することを提案する。 非局所ネットワークの位置不変問題を,共有埋め込みに3次元位置符号化を加えることを提案する。 その結果、3D Axial-Attentionモデルは、AUCやAccuracyを含むすべての評価指標で最先端のパフォーマンスを実現します。
• 参考スコア（独自算出の注目度）: 0.11458853556386794
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Purpose: In recent years, Non-Local based methods have been successfully applied to lung nodule classification. However, these methods offer 2D attention or a limited 3D attention to low-resolution feature maps. Moreover, they still depend on a convenient local filter such as convolution as full 3D attention is expensive to compute and requires a big dataset, which might not be available. Methods: We propose to use 3D Axial-Attention, which requires a fraction of the computing power of a regular Non-Local network. Additionally, we solve the position invariant problem of the Non-Local network by proposing adding 3D positional encoding to shared embeddings. Results: We validated the proposed method on the LIDC-IDRI dataset by following a rigorous experimental setup using only nodules annotated by at least three radiologists. Our results show that the 3D Axial-Attention model achieves state-of-the-art performance on all evaluation metrics including AUC and Accuracy. Conclusions: The proposed model provides full 3D attention effectively, which can be used in all layers without the need for local filters. The experimental results show the importance of full 3D attention for classifying lung nodules.
• Abstract（参考訳）: 目的: 近年,肺結節分類に局所的でない方法が適用されている。 しかし、これらの手法は2次元の注意または低解像度の特徴地図に限られた3次元の注意を与える。 さらに、コンボリューションのような便利なローカルフィルタに依存しているため、フル3Dの注意が計算に高価であり、大きなデータセットを必要とするため、利用できない可能性がある。 方法: 通常の非局所ネットワークの計算能力のごく一部を必要とする3次元アキシアルアテンションの利用を提案する。 さらに,共有埋め込みに3次元位置符号化を追加することで,非局所ネットワークの位置不変問題を解く。 結果: LIDC-IDRIデータセット上で, 少なくとも3名の放射線技師が注記した結節のみを用いて, 厳密な実験を行った。 以上の結果から,3次元アキシャルアテンションモデルは,aucと精度を含む全評価指標において最先端の性能を得ることができた。 結論: 提案モデルでは,すべてのレイヤでローカルフィルタを必要とせずに使用可能な,完全な3dアテンションを効果的に提供する。 実験の結果,肺結節の分類における全3次元注意の重要性が示された。

関連論文リスト

• CatFree3D: Category-agnostic 3D Object Detection with Diffusion [63.75470913278591]
  本稿では,2次元検出と深度予測から3次元検出を分離するパイプラインを提案する。 また,3次元検出結果の正確な評価のために,正規化ハンガリー距離(NHD)指標も導入した。
  論文  参考訳（メタデータ） (2024-08-22T22:05:57Z)
• AttentNet: Fully Convolutional 3D Attention for Lung Nodule Detection [4.47196217712431]
  3次元肺CTなどの3次元医用画像では,データ量が大きいため,効率的な処理が重要である。 完全畳み込み型(畳み込み型)の注意を3次元空間に組み込む可能性について検討した。 本研究は,2つの3次元コンバーチブル・アテンションブロックを提示し,その効果を3次元コンテキストで示す。
  論文  参考訳（メタデータ） (2024-07-19T17:06:27Z)
• Unsupervised 3D out-of-distribution detection with latent diffusion models [1.7587591581995812]
  本稿では,DDPMの高分解能な3次元医療データへのスケーリングを実現するためにLDM(Latent Diffusion Models)を提案する。 提案したLCMベースのアプローチは統計的に有意な性能を達成するだけでなく、下層の潜在表現に対する感度も低下している。
  論文  参考訳（メタデータ） (2023-07-07T18:00:38Z)
• Probabilistic 3D segmentation for aleatoric uncertainty quantification in full 3D medical data [7.615431940103322]
  正規化フローを付加した3次元確率的セグメンテーションフレームワークを開発した。 私たちは初めて、0.401の3D角形一般エネルギー距離(GED)と、高い0.468のハンガリー製の3D IoUを提示しました。
  論文  参考訳（メタデータ） (2023-05-01T17:19:20Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• Shape Prior Non-Uniform Sampling Guided Real-time Stereo 3D Object Detection [59.765645791588454]
  最近導入されたRTS3Dは、深度監督のないオブジェクトの中間表現のための効率的な4次元特徴整合埋め込み空間を構築している。 本研究では, 内部領域で高密度サンプリングを行い, 内部領域でスパースサンプリングを行う非一様サンプリング方式を提案する。 提案手法は,ネットワークパラメータをほとんど含まないAP3dに対して2.57%の改善を実現している。
  論文  参考訳（メタデータ） (2021-06-18T09:14:55Z)
• R2U3D: Recurrent Residual 3D U-Net for Lung Segmentation [17.343802171952195]
  本稿では,3次元肺分割作業のための新しいモデルであるRecurrent Residual 3D U-Net(R2U3D)を提案する。 特に,提案モデルでは,U-Netに基づくRecurrent Residual Neural Networkに3次元畳み込みを組み込む。 提案するR2U3Dネットワークは、公開データセットLUNA16に基づいてトレーニングされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-05-05T19:17:14Z)
• SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere Representation and Center Points Matching [47.79483848496141]
  3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。 アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。 提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-04-12T05:51:29Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
  モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。 従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。 我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。 これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
  論文  参考訳（メタデータ） (2020-08-31T17:10:48Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。