論文の概要: 3DConvCaps: 3DUnet with Convolutional Capsule Encoder for Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2205.09299v1
- Date: Thu, 19 May 2022 03:00:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-20 14:03:49.118824
- Title: 3DConvCaps: 3DUnet with Convolutional Capsule Encoder for Medical Image
Segmentation
- Title（参考訳）: 3dconvcaps: 医用画像分割用畳み込みカプセルエンコーダ付き3デュネット
- Authors: Minh Tran, Viet-Khoa Vo-Ho, Ngan T.H. Le
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.863532786702135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional Neural Networks (CNNs) have achieved promising results in
medical image segmentation. However, CNNs require lots of training data and are
incapable of handling pose and deformation of objects. Furthermore, their
pooling layers tend to discard important information such as positions as well
as CNNs are sensitive to rotation and affine transformation. Capsule network is
a recent new architecture that has achieved better robustness in part-whole
representation learning by replacing pooling layers with dynamic routing and
convolutional strides, which has shown potential results on popular tasks such
as digit classification and object segmentation. In this paper, we propose a 3D
encoder-decoder network with Convolutional Capsule Encoder (called 3DConvCaps)
to learn lower-level features (short-range attention) with convolutional layers
while modeling the higher-level features (long-range dependence) with capsule
layers. Our experiments on multiple datasets including iSeg-2017, Hippocampus,
and Cardiac demonstrate that our 3D 3DConvCaps network considerably outperforms
previous capsule networks and 3D-UNets. We further conduct ablation studies of
network efficiency and segmentation performance under various configurations of
convolution layers and capsule layers at both contracting and expanding paths.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は医療画像セグメンテーションにおいて有望な成果を上げている。
しかし、CNNは大量のトレーニングデータを必要とし、オブジェクトのポーズや変形を処理できない。
さらに、それらのプール層は、回転やアフィン変換に敏感な位置やcnnなどの重要な情報を捨てる傾向がある。
capsule networkは、プール層を動的ルーティングと畳み込みステップに置き換えることで、部分表現学習におけるロバスト性が向上した最近の新しいアーキテクチャであり、数字の分類やオブジェクトのセグメンテーションといった一般的なタスクで潜在的な結果を示している。
本稿では,畳み込み層で低レベル特徴(短距離注意)を学習し,カプセル層で高レベル特徴(長距離依存)をモデル化する,畳み込みカプセルエンコーダネットワーク(3DConvCaps)を提案する。
iseg-2017、海馬、心臓など複数のデータセットに関する実験では、3dconvcapsネットワークが従来のカプセルネットワークや3d-unetsを大きく上回っていることが示されています。
さらに,畳み込み層およびカプセル層の収縮および伸長経路における種々の構成下でのネットワーク効率およびセグメント化性能のアブレーション研究を行う。
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) - SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and
Quasi-Planar Segmentation [53.83313235792596]
本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。
2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。
本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
論文 参考訳（メタデータ） (2023-06-28T22:36:44Z) - 3D-UCaps: 3D Capsules Unet for Volumetric Image Segmentation [11.312343928772993]
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。
論文 参考訳（メタデータ） (2022-03-16T22:02:37Z) - 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) - Training Deep Capsule Networks with Residual Connections [0.0]
capsule networkは、最近人気が高まっているニューラルネットワークの一種だ。
それらはカプセルと呼ばれるニューロンのグループで構成され、オブジェクトやオブジェクトの部分の特性をエンコードする。
多くのカプセルネットワーク実装では2層から3層にカプセル層が使われており、表現性が指数関数的に大きくなり、適用性が制限されている。
4つのデータセットと3つの異なるルーティングアルゴリズムで評価された残差接続を用いた深層カプセルネットワークを訓練する手法を提案する。
実験の結果,より深いカプセルネットワークのトレーニングでは,性能が向上することがわかった。
論文 参考訳（メタデータ） (2021-04-15T11:42:44Z) - 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) - 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) - Improving Point Cloud Semantic Segmentation by Learning 3D Object
Detection [102.62963605429508]
ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。
現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。
Aware 3D Semantic Detection (DASS) フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-22T14:17:40Z) - 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。