論文の概要: An end-to-end SE(3)-equivariant segmentation network
- arxiv url: http://arxiv.org/abs/2303.00351v1
- Date: Wed, 1 Mar 2023 09:27:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 15:26:27.428962
- Title: An end-to-end SE(3)-equivariant segmentation network
- Title(参考訳): エンドツーエンドSE(3)-同変セグメンテーションネットワーク
- Authors: Ivan Diaz, Mario Geiger, Richard Iain McKinley
- Abstract要約: 球面調和に基づく同変ボクセル畳み込みを用いたセグメンテーションネットワークを新たに提案する。
MRI脳腫瘍におけるセグメンテーション性能と健常な脳構造セグメンテーション課題について検討した。
- 参考スコア(独自算出の注目度): 2.735801286587347
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional neural networks (CNNs) allow for parameter sharing and
translational equivariance by using convolutional kernels in their linear
layers. By restricting these kernels to be SO(3)-steerable, CNNs can further
improve parameter sharing and equivariance. These equivariant convolutional
layers have several advantages over standard convolutional layers, including
increased robustness to unseen poses, smaller network size, and improved sample
efficiency. Despite this, most segmentation networks used in medical image
analysis continue to rely on standard convolutional kernels. In this paper, we
present a new family of segmentation networks that use equivariant voxel
convolutions based on spherical harmonics, as well as equivariant pooling and
normalization operations. These SE(3)-equivariant volumetric segmentation
networks, which are robust to data poses not seen during training, do not
require rotation-based data augmentation during training. In addition, we
demonstrate improved segmentation performance in MRI brain tumor and healthy
brain structure segmentation tasks, with enhanced robustness to reduced amounts
of training data and improved parameter efficiency. Code to reproduce our
results, and to implement the equivariant segmentation networks for other tasks
is available at~\url{http://github.com/SCAN-NRAD/e3nn_Unet}.
- Abstract(参考訳): 畳み込みニューラルネットワーク(CNN)は、その線形層に畳み込みカーネルを使用することで、パラメータ共有と変換等価性を実現する。
これらのカーネルをso(3)ステアブルに制限することで、cnnはパラメータ共有と等分散をさらに改善することができる。
これらの等変畳み込み層は標準畳み込み層よりもいくつかの利点があり、例えば、見当たらないポーズに対する堅牢性の向上、ネットワークサイズが小さくなり、サンプル効率が向上している。
それにもかかわらず、医療画像解析で使用されるほとんどのセグメンテーションネットワークは、標準畳み込みカーネルに依存し続けている。
本稿では,球面調和に基づく同変ボクセル畳み込みと,同変プーリングと正規化演算を利用するセグメンテーションネットワークの新たなファミリーを提案する。
これらのse(3)同変量セグメンテーションネットワークは、トレーニング中に見えないデータポーズに頑健であり、トレーニング中にローテーションベースのデータ拡張を必要としない。
また,MRI脳腫瘍のセグメンテーション性能と健常な脳構造セグメンテーションタスクのセグメンテーション性能を向上し,トレーニングデータの量削減とパラメータ効率の向上を図った。
我々の結果を再現し、他のタスクに対して同変セグメンテーションネットワークを実装するコードは、~\url{http://github.com/SCAN-NRAD/e3nn_Unet} で利用可能である。
関連論文リスト
- Weighted Monte Carlo augmented spherical Fourier-Bessel convolutional
layers for 3D abdominal organ segmentation [0.31410859223862103]
フィルタ分解に基づく3次元群同変ニューラルネットワークは, 3次元画像特徴抽出において有望な安定性とデータ効率を示す。
本稿では、3次元医用画像分割のためのパラメータ共有アフィン群同変ニューラルネットワークについて述べる。
採用した非パラメータ共有戦略の効率性と柔軟性は、ボリュームデータに対する3Dアフィン群同変畳み込みニューラルネットワークの効率的な実装を可能にする。
論文 参考訳(メタデータ) (2024-02-26T18:51:15Z) - FRS-Nets: Fourier Parameterized Rotation and Scale Equivariant Networks
for Retinal Vessel Segmentation [55.4653338610275]
フーリエのパラメータ化と回転とスケーリングに等価な新しい畳み込み演算子 (FRS-Conv) を構築する。
対応するベースラインの13.9%のパラメータで、FRS-Netは最先端のパフォーマンスを達成した。
FRS-Netsの顕著な精度、一般化、臨床応用の可能性を示す。
論文 参考訳(メタデータ) (2023-09-27T13:14:57Z) - Regular SE(3) Group Convolutions for Volumetric Medical Image Analysis [10.406659081400354]
連続的なSO(3)(回転)カーネルと空間的カーネルに分離されたSE(3)群畳み込みカーネルを考案する。
提案手法は,通常のCNNに比べて最大16.5%の精度向上を実現している。
論文 参考訳(メタデータ) (2023-06-24T13:29:54Z) - Deep Neural Networks with Efficient Guaranteed Invariances [77.99182201815763]
我々は、性能改善の問題、特にディープニューラルネットワークのサンプル複雑性に対処する。
群同変畳み込みは同変表現を得るための一般的なアプローチである。
本稿では,各ストリームが異なる変換に不変なマルチストリームアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-03-02T20:44:45Z) - Moving Frame Net: SE(3)-Equivariant Network for Volumes [0.0]
移動フレームアプローチに基づく画像データのための回転・変換同変ニューラルネットワークを提案する。
入力段階において、移動フレームの計算を1つに減らし、そのアプローチを大幅に改善する。
我々の訓練されたモデルは、MedMNIST3Dの試験されたデータセットの大部分の医療ボリューム分類において、ベンチマークを上回ります。
論文 参考訳(メタデータ) (2022-11-07T10:25:38Z) - SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud
Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。
提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。
ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文 参考訳(メタデータ) (2022-09-13T12:12:19Z) - Equivariance versus Augmentation for Spherical Images [0.7388859384645262]
球面画像に適用した畳み込みニューラルネットワーク(CNN)における回転同値の役割を解析する。
我々は、S2CNNとして知られるグループ同変ネットワークと、データ増大量で訓練された標準非同変CNNの性能を比較した。
論文 参考訳(メタデータ) (2022-02-08T16:49:30Z) - Improving the Sample-Complexity of Deep Classification Networks with
Invariant Integration [77.99182201815763]
変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。
そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。
本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
論文 参考訳(メタデータ) (2022-02-08T16:16:11Z) - Implicit Equivariance in Convolutional Networks [1.911678487931003]
IEN(Implicitly Equivariant Networks)は標準CNNモデルの異なる層で同変を誘導する。
IENは、高速な推論速度を提供しながら、最先端の回転同変追跡法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2021-11-28T14:44:17Z) - nnFormer: Interleaved Transformer for Volumetric Segmentation [50.10441845967601]
本稿では,自己意図と畳み込みを実証的に組み合わせた,インターリーブアーキテクチャを備えた強力なセグメンテーションモデルであるnnFormerを紹介する。
nnFormerは、SynapseとACDCの2つの一般的なデータセットで、以前のTransformerベースのメソッドよりも大幅に改善されている。
論文 参考訳(メタデータ) (2021-09-07T17:08:24Z) - 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)
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。