論文の概要: OSS-Net: Memory Efficient High Resolution Semantic Segmentation of 3D
Medical Data
- arxiv url: http://arxiv.org/abs/2110.10640v1
- Date: Wed, 20 Oct 2021 16:14:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 16:19:30.819807
- Title: OSS-Net: Memory Efficient High Resolution Semantic Segmentation of 3D
Medical Data
- Title（参考訳）: OSS-Net:3次元医療データの高分解能セマンティックセグメンテーション
- Authors: Christoph Reich, Tim Prangemeier, \"Ozdemir Cetin, Heinz Koeppl
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、医学データのボリュームセグメンテーションのための最先端のメタアルゴリズムである。
ボクセル化データに対する3D CNNの鍵となる制限は、メモリ消費がトレーニングデータ解像度とともに3倍に増加することである。
我々は,3D医療データを正確かつメモリ効率よくセグメント化するためのOccupancy Networks (OSS-Nets)を提案する。
- 参考スコア（独自算出の注目度）: 21.42609249273068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks (CNNs) are the current state-of-the-art
meta-algorithm for volumetric segmentation of medical data, for example, to
localize COVID-19 infected tissue on computer tomography scans or the detection
of tumour volumes in magnetic resonance imaging. A key limitation of 3D CNNs on
voxelised data is that the memory consumption grows cubically with the training
data resolution. Occupancy networks (O-Nets) are an alternative for which the
data is represented continuously in a function space and 3D shapes are learned
as a continuous decision boundary. While O-Nets are significantly more memory
efficient than 3D CNNs, they are limited to simple shapes, are relatively slow
at inference, and have not yet been adapted for 3D semantic segmentation of
medical data. Here, we propose Occupancy Networks for Semantic Segmentation
(OSS-Nets) to accurately and memory-efficiently segment 3D medical data. We
build upon the original O-Net with modifications for increased expressiveness
leading to improved segmentation performance comparable to 3D CNNs, as well as
modifications for faster inference. We leverage local observations to represent
complex shapes and prior encoder predictions to expedite inference. We showcase
OSS-Net's performance on 3D brain tumour and liver segmentation against a
function space baseline (O-Net), a performance baseline (3D residual U-Net),
and an efficiency baseline (2D residual U-Net). OSS-Net yields segmentation
results similar to the performance baseline and superior to the function space
and efficiency baselines. In terms of memory efficiency, OSS-Net consumes
comparable amounts of memory as the function space baseline, somewhat more
memory than the efficiency baseline and significantly less than the performance
baseline. As such, OSS-Net enables memory-efficient and accurate 3D semantic
segmentation that can scale to high resolutions.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(convolutional neural network, cnns)は、新型コロナウイルス感染した組織をコンピュータ断層撮影で局在化したり、磁気共鳴画像で腫瘍体積を検出したりする、医学データのボリューム分割のための現在のメタアルゴリズムである。
voxelized dataにおける3d cnnの鍵となる制限は、トレーニングデータの解像度でメモリ消費が立方的に増加することである。
占有ネットワーク(o-nets)は、データを連続的に関数空間に表現し、3次元形状を連続的な決定境界として学習する代替手段である。
O-Netは3D CNNよりもはるかにメモリ効率が高いが、単純な形状に限られており、推論が比較的遅いため、医療データの3Dセマンティックセグメンテーションにはまだ適応していない。
本稿では,セマンティックセグメンテーションのためのOccupancy Networks for Semantic Segmentation (OSS-Nets)を提案する。
我々は3次元CNNに匹敵するセグメンテーション性能の向上と高速な推論のための修正を実現するために,表現性の向上のためにオリジナルのO-Net上に構築した。
局所観測を複素形状表現に活用し,事前エンコーダ予測を迅速化するために活用する。
機能空間ベースライン(o-net)、パフォーマンスベースライン(3d残量u-net)、効率ベースライン(2d残量u-net)に対する3d脳腫瘍および肝セグメンテーションにおけるoss-netの性能を示す。
OSS-Netは性能ベースラインと同じようなセグメンテーション結果をもたらし、関数空間と効率ベースラインに勝る。
メモリ効率の面では、oss-netは、関数空間のベースラインとして同等量のメモリを消費し、効率のベースラインよりも若干多くのメモリを消費し、パフォーマンスのベースラインよりもかなり少ない。
そのため、OSS-Netはメモリ効率が高く正確な3Dセマンティックセマンティックセマンティクスを可能にする。
関連論文リスト
- UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳（メタデータ） (2022-12-08T18:59:57Z) - 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 Segmentation of High-resolution Volumetric MicroCT
Images [11.723370840090453]
本稿では,3次元高解像度画像分割のためのメモリ効率の高いネットワークアーキテクチャを提案する。
このネットワークは、2段階のU-netベースのカスケードフレームワークを通じて、グローバル機能とローカル機能の両方を組み込んでいる。
実験により, セグメント化精度とメモリ効率の両方の観点から, 最先端の3Dセグメンテーション法より優れていることが示された。
論文 参考訳（メタデータ） (2022-05-31T16:42:48Z) - MDA-Net: Multi-Dimensional Attention-Based Neural Network for 3D Image
Segmentation [4.221871357181261]
マルチ次元アテンションネットワーク(MDA-Net)を提案し,スライスワイド,空間,チャネルワイドアテンションを効率よくU-Netネットワークに統合する。
MICCAI iSegおよびIBSRデータセット上のモデルを評価し、実験結果が既存の方法よりも一貫した改善を示した。
論文 参考訳（メタデータ） (2021-05-10T16:58:34Z) - CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image
Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。
本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-03-04T13:34:22Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Efficient embedding network for 3D brain tumor segmentation [0.33727511459109777]
本稿では,脳腫瘍の3次元的セマンティックセグメンテーションを目的とした2次元分類網の性能伝達手法について検討する。
入力データが3Dの場合、エンコーダの第1層は、効率の良いNetネットワークの入力に適合するために、第3次元の削減に費やされる。
BraTS 2020チャレンジの検証とテストデータに関する実験結果から,提案手法が有望な性能を達成することを示す。
論文 参考訳（メタデータ） (2020-11-22T16:17:29Z) - DoDNet: Learning to segment multi-organ and tumors from multiple
partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。
DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文 参考訳（メタデータ） (2020-11-20T04:56:39Z) - 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) - Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。
入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。
ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
論文 参考訳（メタデータ） (2020-07-04T13:57:43Z) - DDU-Nets: Distributed Dense Model for 3D MRI Brain Tumor Segmentation [27.547646527286886]
分散高密度接続(DDC)の3つのパターンが提案され,CNNの機能再利用と伝播が促進される。
DDC(DDU-Nets)を組み込んだCNNベースのモデルでは,3次元MR画像から脳腫瘍をよりよく検出し,セグメンテーションするために,ピクセルからピクセルへの効率よくトレーニングを行う。
提案手法はBraTS 2019データセットで評価され,DDU-Netsの有効性が示された。
論文 参考訳（メタデータ） (2020-03-03T05:08:34Z)
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。