論文の概要: PointVoxelFormer -- Reviving point cloud networks for 3D medical imaging

• arxiv url: http://arxiv.org/abs/2412.17390v1
• Date: Mon, 23 Dec 2024 08:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:57:59.112279
• Title: PointVoxelFormer -- Reviving point cloud networks for 3D medical imaging
• Title（参考訳）: PointVoxelFormer -- 3D医療画像のためのポイントクラウドネットワークの復活
• Authors: Mattias Paul Heinrich,
• Abstract要約: 点雲は、医療画像における体積データを表現するための非常に効率的な方法である。 それらの利点にもかかわらず、ポイントクラウドは、ボリューム3D CNNやビジョントランスフォーマーと比較して、医療画像においてまだ過小評価されている。 この研究は、ポイントワイズ演算と中間微分可能化と高密度局所化CNNを組み合わせたハイブリッドアプローチを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Point clouds are a very efficient way to represent volumetric data in medical imaging. First, they do not occupy resources for empty spaces and therefore can avoid trade-offs between resolution and field-of-view for voxel-based 3D convolutional networks (CNNs) - leading to smaller and robust models. Second, they provide a modality agnostic representation of anatomical surfaces and shapes to avoid domain gaps for generic geometric models. Third, they remove identifiable patient-specific information and may increase privacy preservation when publicly sharing data. Despite their benefits, point clouds are still underexplored in medical imaging compared to volumetric 3D CNNs and vision transformers. To date both datasets and stringent studies on comparative strengths and weaknesses of methodological choices are missing. Interactions and information exchange of spatially close points - e.g. through k-nearest neighbour graphs in edge convolutions or point transformations - within points clouds are crucial for learning geometrically meaningful features but may incur computational bottlenecks. This work presents a hybrid approach that combines point-wise operations with intermediate differentiable rasterisation and dense localised CNNs. For deformable point cloud registration, we devise an early fusion scheme for coordinate features that joins both clouds within a common reference frame and is coupled with an inverse consistent, two-step alignment architecture. Our extensive experiments on three different datasets for segmentation and registration demonstrate that our method, PointVoxelFormer, enables very compact models that excel with threefold speed-ups, fivefold memory reduction and over 30% registration error reduction against edge convolutions and other state-of-the-art models in geometric deep learning.
• Abstract（参考訳）: 点雲は、医療画像における体積データを表現するための非常に効率的な方法である。 まず、空き空間の資源を占有しないため、ボクセルベースの3D畳み込みネットワーク(CNN)の解像度と視野のトレードオフを避けることができる。 第二に、それらは一般的な幾何学モデルに対する領域ギャップを避けるために解剖学的表面と形状のモダリティ非依存表現を提供する。 第3に、特定可能な患者固有の情報を取り除き、データを公開する際のプライバシー保護を高める可能性がある。 それらの利点にもかかわらず、ポイントクラウドは、ボリューム3D CNNやビジョントランスフォーマーと比較して、医療画像においてまだ過小評価されている。 これまでに、データセットと厳密な研究の両方が、方法論的選択の強みと弱みを欠いている。 空間的に閉じた点の相互作用と情報交換(例えば、エッジ畳み込みや点変換におけるk-ネアレスト近傍グラフ)は、幾何学的に意味のある特徴を学ぶのに欠かせないが、計算のボトルネックを引き起こす可能性がある。 この研究は、ポイントワイズ演算と中間微分可能ラスタライゼーションと高密度局所化CNNを組み合わせたハイブリッドアプローチを提案する。 変形可能な点雲登録のために、我々は、共通参照フレーム内で両方の雲と結合し、逆一貫した2段階のアライメントアーキテクチャと結合する特徴をコーディネートするための早期融合スキームを考案する。 セグメンテーションと登録のための3つの異なるデータセットに関する広範な実験により、我々の手法であるPointVoxelFormerは、3倍のスピードアップ、5倍のメモリ削減、エッジ畳み込みに対する30%以上のレジスタエラー削減、および幾何学的深層学習における他の最先端モデルに対して、非常にコンパクトなモデルを可能にすることを示した。

関連論文リスト

• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• MLGCN: An Ultra Efficient Graph Convolution Neural Model For 3D Point Cloud Analysis [4.947552172739438]
  グラフニューラルネットワーク(GNN)ブロックを用いて,特定の局所レベルの3次元点雲から特徴を抽出する,MLGCN(Multi-level Graph Convolution Neural)モデルを提案する。 提案手法は,浮動小数点演算(FLOP)の最大1000倍の削減と,ストレージ要求の大幅な削減を図りながら,最先端モデルに匹敵する結果をもたらす。
  論文  参考訳（メタデータ） (2023-03-31T00:15:22Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation [81.02742110604161]
  大規模運転シーンのLiDARセグメンテーションのための最先端の手法は、しばしば点雲を2次元空間に投影し、2D畳み込みによって処理する。 そこで我々は,3次元幾何学的パタンを探索するために,円筒分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。 提案手法はセマンティックKITTIのリーダーボードにおいて第1位を獲得し,既存のnuScenesの手法を約4%のマージンで上回っている。
  論文  参考訳（メタデータ） (2020-11-19T18:53:11Z)
• Label-Efficient Learning on Point Clouds using Approximate Convex Decompositions [43.1279121348315]
  本稿では,ACD(Adroximate Convex Decompositions)を用いて,点雲表現のラベル効率の学習を行う。 我々は,ACDを用いて3次元点雲表現の学習に優れた自己スーパービジョンを提供することを示す。
  論文  参考訳（メタデータ） (2020-03-30T21:44:43Z)

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。