論文の概要: 3D-UCaps: 3D Capsules Unet for Volumetric Image Segmentation

• arxiv url: http://arxiv.org/abs/2203.08965v1
• Date: Wed, 16 Mar 2022 22:02:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 13:44:50.677433
• Title: 3D-UCaps: 3D Capsules Unet for Volumetric Image Segmentation
• Title（参考訳）: 3D-UCaps:ボリュームイメージセグメンテーションのための3DカプセルUnet
• Authors: Tan Nguyen, Binh-Son Hua, Ngan Le
• Abstract要約: 医用ボリューム画像分割のための3Dボクセルベースのカプセルネットワークである3D-UCapsを提案する。 提案手法は,従来のCapsuleネットワークと3D-Unetsより優れていた。
• 参考スコア（独自算出の注目度）: 11.312343928772993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation has been so far achieving promising results with Convolutional Neural Networks (CNNs). However, it is arguable that in traditional CNNs, its pooling layer tends to discard important information such as positions. Moreover, CNNs are sensitive to rotation and affine transformation. Capsule network is a data-efficient network design proposed to overcome such limitations by replacing pooling layers with dynamic routing and convolutional strides, which aims to preserve the part-whole relationships. Capsule network has shown a great performance in image recognition and natural language processing, but applications for medical image segmentation, particularly volumetric image segmentation, has been limited. In this work, we propose 3D-UCaps, a 3D voxel-based Capsule network for medical volumetric image segmentation. We build the concept of capsules into a CNN by designing a network with two pathways: the first pathway is encoded by 3D Capsule blocks, whereas the second pathway is decoded by 3D CNNs blocks. 3D-UCaps, therefore inherits the merits from both Capsule network to preserve the spatial relationship and CNNs to learn visual representation. We conducted experiments on various datasets to demonstrate the robustness of 3D-UCaps including iSeg-2017, LUNA16, Hippocampus, and Cardiac, where our method outperforms previous Capsule networks and 3D-Unets.
• Abstract（参考訳）: 医用画像のセグメンテーションは、CNN(Convolutional Neural Networks)で有望な成果を上げてきた。 しかし、従来のcnnでは、そのプーリング層が位置などの重要な情報を破棄する傾向がある。 さらに、CNNは回転とアフィン変換に敏感である。 カプセルネットワークはデータ効率のよいネットワーク設計であり、プール層を動的ルーティングと畳み込みストライドに置き換えることでそのような制限を克服することを目的としている。 カプセルネットワークは画像認識と自然言語処理において優れた性能を示してきたが、医用画像セグメンテーション、特にボリューム画像セグメンテーションの応用は限られている。 本研究では,医療用ボリューム画像セグメンテーションのための3dボクセル型カプセルネットワークである3d-ucapsを提案する。 第1の経路は3次元カプセルブロックで符号化され、第2の経路は3次元CNNブロックで復号化される。 したがって、3D-UCapは両方のCapsuleネットワークの利点を継承し、空間的関係を保ち、CNNは視覚表現を学ぶ。 我々は,iseg-2017,luna16,海馬,心臓などの3d-ucapのロバスト性を示すために,各種データセットを用いた実験を行った。

関連論文リスト

• 3D-EffiViTCaps: 3D Efficient Vision Transformer with Capsule for Medical Image Segmentation [3.3561661617196843]
  本稿では,U字型3Dエンコーダデコーダネットワークである3D-EffiViTCapsを提案する。 エンコーダはカプセルブロックとEfficientViTブロックを使用して局所的およびグローバルなセマンティック情報を共同でキャプチャする。 我々のデコーダはCNNブロックとEfficientViTブロックを使用してセグメンテーションのフナーの詳細をキャッチします。
  論文  参考訳（メタデータ） (2024-03-25T00:59:35Z)
• Graphics Capsule: Learning Hierarchical 3D Face Representations from 2D Images [82.5266467869448]
  Inverse Graphics Capsule Network (IGC-Net) を提案する。 IGC-Netはまずオブジェクトをセマンティック一貫性のある部分レベルの記述の集合に分解し、それらをオブジェクトレベルの記述に組み立てて階層を構築する。
  論文  参考訳（メタデータ） (2023-03-20T06:32:55Z)
• 3DConvCaps: 3DUnet with Convolutional Capsule Encoder for Medical Image Segmentation [1.863532786702135]
  本稿では,畳み込み層を用いた低レベル特徴(短距離注意)を学習するために,畳み込みカプセル(3DConvCaps)を用いた3Dエンコーダデコーダネットワークを提案する。 iSeg-2017、Hippocampus、Cardiacを含む複数のデータセットに関する実験では、我々の3D3DConvCapsネットワークが、以前のカプセルネットワークや3D-UNetsよりもかなり優れていることを示した。
  論文  参考訳（メタデータ） (2022-05-19T03:00:04Z)
• CapsNet for Medical Image Segmentation [8.612958742534673]
  畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおけるタスクの解決に成功している。 CNNは回転とアフィン変換に敏感であり、その成功は巨大なラベル付きデータセットに依存している。 CapsNetは、表現学習においてより堅牢性を達成した新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2022-03-16T21:15:07Z)
• SS-3DCapsNet: Self-supervised 3D Capsule Networks for Medical Segmentation on Less Labeled Data [10.371128893952537]
  この研究は、自己教師付き学習によるボリューム医療画像セグメンテーションのためのカプセルネットワークを拡張した。 自己監督型プレトレーニングによる3Dカプセルネットワークは,従来のカプセルネットワークや3D-UNetsよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-01-15T18:42:38Z)
• 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)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• PCLs: Geometry-aware Neural Reconstruction of 3D Pose with Perspective Crop Layers [111.55817466296402]
  我々は、カメラ幾何学に基づく関心領域の視点作物であるパースペクティブ・クロップ・レイヤ(PCL)を紹介する。 PCLは、エンドツーエンドのトレーニングと基礎となるニューラルネットワークのパラメータ数を残しながら、位置依存的な視点効果を決定論的に除去する。 PCLは、既存の3D再構成ネットワークを幾何学的に認識することで、容易に精度を向上させる手段を提供する。
  論文  参考訳（メタデータ） (2020-11-27T08:48:43Z)
• CAKES: Channel-wise Automatic KErnel Shrinking for Efficient 3D Networks [87.02416370081123]
  3次元畳み込みニューラルネットワーク(CNN)は,映像解析やボリューム画像認識などの3次元シーン理解に広く応用されている。 本稿では,標準的な3Dコンボリューションを一連の経済活動に縮小させることで,効率的な3D学習を実現するために,チャネルワイドなKErnel Shrinking(CAKES)を提案する。
  論文  参考訳（メタデータ） (2020-03-28T14:21:12Z)
• Subspace Capsule Network [85.69796543499021]
  SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
  論文  参考訳（メタデータ） (2020-02-07T17:51:56Z)

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。