論文の概要: Spherical CNN for Medical Imaging Applications: Importance of
Equivariance in image reconstruction and denoising
- arxiv url: http://arxiv.org/abs/2307.03298v2
- Date: Thu, 26 Oct 2023 20:12:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 17:13:56.418743
- Title: Spherical CNN for Medical Imaging Applications: Importance of
Equivariance in image reconstruction and denoising
- Title(参考訳): 医用画像用球面cnn:画像再構成と雑音化における等分散の重要性
- Authors: Amirreza Hashemi, Yuemeng Feng, Hamid Sabet
- Abstract要約: 同変ネットワークは、トモグラフィー応用のための効率的かつ高性能なアプローチである。
2次元および3次元の医療画像問題に対する同変球状CNNの有効性を評価した。
本稿では,従来の画像再構成ツールの補完としてSCNNを用いた新しい手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work highlights the significance of equivariant networks as efficient
and high-performance approaches for tomography applications. Our study builds
upon the limitations of conventional Convolutional Neural Networks (CNNs),
which have shown promise in post-processing various medical imaging systems.
However, the efficiency of conventional CNNs heavily relies on an undiminished
and proper training set. To tackle this issue, in this study, we introduce an
equivariant network, aiming to reduce CNN's dependency on specific training
sets. We evaluate the efficacy of equivariant spherical CNNs (SCNNs) for 2- and
3- dimensional medical imaging problems. Our results demonstrate superior
quality and computational efficiency of SCNNs in denoising and reconstructing
benchmark problems. Furthermore, we propose a novel approach to employ SCNNs as
a complement to conventional image reconstruction tools, enhancing the outcomes
while reducing reliance on the training set. Across all cases, we observe a
significant decrease in computational costs while maintaining the same or
higher quality of image processing using SCNNs compared to CNNs. Additionally,
we explore the potential of this network for broader tomography applications,
particularly those requiring omnidirectional representation.
- Abstract(参考訳): 本研究は,トモグラフィ応用における等価ネットワークの効率的かつ高性能なアプローチとしての重要性を強調する。
本研究は従来の畳み込みニューラルネットワーク(cnns)の限界を基礎とし,様々な医用画像処理システムにおいて有望であることを示す。
しかし、従来のCNNの効率性は、未完成で適切なトレーニングセットに大きく依存している。
そこで本研究では,CNNが特定のトレーニングセットへの依存を減らすことを目的とした同変ネットワークを提案する。
2次元および3次元の医療画像問題に対する同変球状CNN(SCNN)の有効性を評価する。
本研究は,ベンチマーク問題の解法と再構成において,SCNNの品質と計算効率が優れていることを示す。
さらに,従来の画像再構成ツールの補完としてSCNNを用いる新たな手法を提案する。
いずれの場合も,CNNと比較して,SCNNと同等あるいは高画質の画像処理を継続しながら,計算コストの大幅な低下を観察する。
さらに,このネットワークの広範なトモグラフィ応用,特に全方位表現を必要とするネットワークの可能性について検討する。
関連論文リスト
- Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳(メタデータ) (2024-12-05T09:41:33Z) - Defending Spiking Neural Networks against Adversarial Attacks through Image Purification [20.492531851480784]
Spiking Neural Networks(SNN)は、神経科学と機械学習のギャップを埋めることを目的としている。
SNNは畳み込みニューラルネットワークのような敵の攻撃に弱い。
本稿では,SNNの堅牢性を高めるための生物学的にインスパイアされた手法を提案する。
論文 参考訳(メタデータ) (2024-04-26T00:57:06Z) - Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。
効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。
実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文 参考訳(メタデータ) (2023-07-20T16:00:19Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳(メタデータ) (2023-05-26T02:52:12Z) - SO(2) and O(2) Equivariance in Image Recognition with
Bessel-Convolutional Neural Networks [63.24965775030674]
この研究はベッセル畳み込みニューラルネットワーク(B-CNN)の開発を示す
B-CNNは、ベッセル関数に基づく特定の分解を利用して、画像とフィルタの間のキー操作を変更する。
他の手法と比較して,B-CNNの性能を評価するために検討を行った。
論文 参考訳(メタデータ) (2023-04-18T18:06:35Z) - Training High-Performance Low-Latency Spiking Neural Networks by
Differentiation on Spike Representation [70.75043144299168]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。
非分化性のため、SNNを効率的に訓練することは困難である。
本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
論文 参考訳(メタデータ) (2022-05-01T12:44:49Z) - Spiking Neural Networks for Visual Place Recognition via Weighted
Neuronal Assignments [24.754429120321365]
スパイキングニューラルネットワーク(SNN)は、エネルギー効率と低レイテンシを含む、魅力的な潜在的な利点を提供する。
高性能SNNにとって有望な領域の1つは、テンプレートマッチングと画像認識である。
本研究では,視覚的位置認識(VPR)タスクのための最初の高性能SNNを紹介する。
論文 参考訳(メタデータ) (2021-09-14T05:40:40Z) - Convolutional versus Self-Organized Operational Neural Networks for
Real-World Blind Image Denoising [25.31981236136533]
初めてDeep Self-ONNを採用することで、現実世界の盲目の画像消音問題に取り組みます。
ディープセルフオンはPSNRで最大1.76dBの性能向上で常に優れた結果を達成します。
論文 参考訳(メタデータ) (2021-03-04T14:49:17Z) - Self-Organized Operational Neural Networks for Severe Image Restoration
Problems [25.838282412957675]
畳み込みニューラルネットワーク(CNN)に基づく離散学習は、ノイズとクリーンのイメージペアのトレーニング例から学習することで、画像復元を行うことを目的としている。
これは畳み込みに基づく変換の本質的な線形性によるものであり、深刻な復元問題に対処するには不十分である。
画像復元のための自己組織型ONN(Self-ONN)を提案する。
論文 参考訳(メタデータ) (2020-08-29T02:19:41Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-02T15:38:44Z) - Momentum-Net for Low-Dose CT Image Reconstruction [13.084578404699172]
本稿では,低線量X線CT(LDCT)画像再構成に適したモデルを用いて,最近の高速反復型ニューラルネットワークフレームワークであるMomentum-Netを適用した。
提案したMomentum-Netアーキテクチャは,NN, WavResNet (LDCT) のような最先端の非定性画像よりも画像再構成精度が大幅に向上することを示す。
また,非拡張的NN特性を満たすため,画像修正NN学習に適用するスペクトル正規化手法についても検討した。
論文 参考訳(メタデータ) (2020-02-27T10:26:22Z)
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。