論文の概要: CAN3D: Fast 3D Medical Image Segmentation via Compact Context
Aggregation
- arxiv url: http://arxiv.org/abs/2109.05443v1
- Date: Sun, 12 Sep 2021 06:27:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 15:24:37.165525
- Title: CAN3D: Fast 3D Medical Image Segmentation via Compact Context
Aggregation
- Title（参考訳）: can3d: コンパクトコンテキストアグリゲーションによる高速3次元医用画像セグメンテーション
- Authors: Wei Dai, Boyeong Woo, Siyu Liu, Matthew Marques, Craig B. Engstrom,
Peter B. Greer, Stuart Crozier, Jason A. Dowling and Shekhar S. Chandras
- Abstract要約: 本稿では,メモリフットプリントの浅いコンパクト畳み込み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,パッチを必要とせず,大規模な3次元入力ボリュームを直接処理することでデータの整合性を維持することができる。
- 参考スコア（独自算出の注目度）: 6.188937569449575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Direct automatic segmentation of objects from 3D medical imaging, such as
magnetic resonance (MR) imaging, is challenging as it often involves accurately
identifying a number of individual objects with complex geometries within a
large volume under investigation. To address these challenges, most deep
learning approaches typically enhance their learning capability by
substantially increasing the complexity or the number of trainable parameters
within their models. Consequently, these models generally require long
inference time on standard workstations operating clinical MR systems and are
restricted to high-performance computing hardware due to their large memory
requirement. Further, to fit 3D dataset through these large models using
limited computer memory, trade-off techniques such as patch-wise training are
often used which sacrifice the fine-scale geometric information from input
images which could be clinically significant for diagnostic purposes. To
address these challenges, we present a compact convolutional neural network
with a shallow memory footprint to efficiently reduce the number of model
parameters required for state-of-art performance. This is critical for
practical employment as most clinical environments only have low-end hardware
with limited computing power and memory. The proposed network can maintain data
integrity by directly processing large full-size 3D input volumes with no
patches required and significantly reduces the computational time required for
both training and inference. We also propose a novel loss function with extra
shape constraint to improve the accuracy for imbalanced classes in 3D MR
images.
- Abstract（参考訳）: 磁気共鳴(MR)イメージングのような3次元医用画像からの物体の直接的自動分割は、しばしば調査中の大量の複雑なジオメトリを含む多数の個々の物体を正確に識別するので、困難である。
これらの課題に対処するため、ほとんどのディープラーニングアプローチは、モデル内の複雑性やトレーニング可能なパラメータの数を大幅に増やすことで、学習能力を高める。
したがって、一般的にこれらのモデルは、臨床mrシステムを操作する標準ワークステーション上で長い推論時間を必要とし、その大きなメモリ要求のために高性能コンピューティングハードウェアに制限される。
さらに, コンピュータメモリの限られたモデルを用いて3Dデータセットを適合させるため, 診断目的で臨床的に重要な入力画像からの微細な幾何学的情報を犠牲にするパッチワイドトレーニングなどのトレードオフ技術がよく用いられる。
これらの課題に対処するために、最先端性能に必要なモデルパラメータ数を効率的に削減するために、メモリフットプリントが浅いコンパクト畳み込みニューラルネットワークを提案する。
ほとんどの臨床環境は、計算能力と記憶力に制限のあるローエンドハードウェアしか持たない。
提案するネットワークは,大規模な3次元入力ボリュームをパッチなしで直接処理することでデータの完全性を維持し,トレーニングと推論の両方に要する計算時間を著しく短縮することができる。
また, 3次元mr画像における不均衡クラスの精度を向上させるために, 形状制約を付加した新しい損失関数を提案する。
関連論文リスト
- Efficient Slice Anomaly Detection Network for 3D Brain MRI Volume [2.3633885460047765]
現在の異常検出法は, 基準産業データより優れているが, 「正常」 と「異常」の定義の相違により, 医療データに苦慮している。
我々は,ImageNet上で事前学習し,MRIデータセットを2次元スライス特徴抽出器として微調整したモデルを用いたSimple Slice-based Network (SimpleSliceNet) というフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-28T17:20:56Z) - Discriminative Hamiltonian Variational Autoencoder for Accurate Tumor Segmentation in Data-Scarce Regimes [2.8498944632323755]
医用画像分割のためのエンドツーエンドハイブリッドアーキテクチャを提案する。
ハミルトン変分オートエンコーダ(HVAE)と識別正則化を用いて生成画像の品質を向上する。
我々のアーキテクチャはスライス・バイ・スライス・ベースで3Dボリュームを分割し、リッチな拡張データセットをカプセル化する。
論文 参考訳（メタデータ） (2024-06-17T15:42:08Z) - Masked LoGoNet: Fast and Accurate 3D Image Analysis for Medical Domain [48.440691680864745]
我々はLoGoNetと呼ばれる新しいニューラルネットワークアーキテクチャを導入する。
LoGoNetは、LKA(Large Kernel Attention)とデュアルエンコーディング戦略を利用して、U字型アーキテクチャに新しい特徴抽出器を統合する。
大規模ラベル付きデータセットの欠如を補うために,3次元画像に適した新しいSSL方式を提案する。
論文 参考訳（メタデータ） (2024-02-09T05:06:58Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳（メタデータ） (2023-12-14T09:46:16Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、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） (2023-07-31T17:59:42Z) - 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) - Memory Efficient Invertible Neural Networks for 3D Photoacoustic Imaging [1.0312968200748118]
光音響イメージング(PAI)は、臨床的関心の高解像度構造を画像化することができる。
反復的物理モデルに基づくアプローチは、アーティファクトを減らすが、PDE解決に時間を要する。
本稿では、インバータブルニューラルネットワーク(INN)を用いてメモリ圧力を軽減することを提案する。
論文 参考訳（メタデータ） (2022-04-24T18:37:18Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2020-08-05T02:33:04Z) - Organ Segmentation From Full-size CT Images Using Memory-Efficient FCN [10.411340412305849]
医用画像分割作業では、サブボリュームトリミングが一般的な前処理となっている。
いくつかのメモリ最適化手法を組み込んだ,メモリ効率の良い完全畳み込みネットワーク(FCN)を提案する。
論文 参考訳（メタデータ） (2020-03-24T07:12:45Z)
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。