Fugu-MT 論文翻訳(概要): Hierarchical Feature Learning for Medical Point Clouds via State Space Model

論文の概要: Hierarchical Feature Learning for Medical Point Clouds via State Space Model

arxiv url: http://arxiv.org/abs/2504.13015v1
Date: Thu, 17 Apr 2025 15:22:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-18 14:36:43.784291
Title: Hierarchical Feature Learning for Medical Point Clouds via State Space Model
Title（参考訳）: 状態空間モデルによる医療点雲の階層的特徴学習
Authors: Guoqing Zhang, Jingyun Yang, Yang Li,
Abstract要約: 本稿では,医学点クラウド理解のためのSSMに基づく階層的特徴学習フレームワークを提案する。点雲処理におけるSSMの補助として,座標次数と内外走査方式を導入する。提案手法を評価するため,MedPointSという大規模医療点クラウドデータセットを構築した。
参考スコア（独自算出の注目度）: 5.086862917025204
License:
Abstract: Deep learning-based point cloud modeling has been widely investigated as an indispensable component of general shape analysis. Recently, transformer and state space model (SSM) have shown promising capacities in point cloud learning. However, limited research has been conducted on medical point clouds, which have great potential in disease diagnosis and treatment. This paper presents an SSM-based hierarchical feature learning framework for medical point cloud understanding. Specifically, we down-sample input into multiple levels through the farthest point sampling. At each level, we perform a series of k-nearest neighbor (KNN) queries to aggregate multi-scale structural information. To assist SSM in processing point clouds, we introduce coordinate-order and inside-out scanning strategies for efficient serialization of irregular points. Point features are calculated progressively from short neighbor sequences and long point sequences through vanilla and group Point SSM blocks, to capture both local patterns and long-range dependencies. To evaluate the proposed method, we build a large-scale medical point cloud dataset named MedPointS for anatomy classification, completion, and segmentation. Extensive experiments conducted on MedPointS demonstrate that our method achieves superior performance across all tasks. The dataset is available at https://flemme-docs.readthedocs.io/en/latest/medpoints.html. Code is merged to a public medical imaging platform: https://github.com/wlsdzyzl/flemme.
Abstract（参考訳）: 深層学習に基づくポイントクラウドモデリングは、一般的な形状解析の必須成分として広く研究されている。近年、変圧器と状態空間モデル(SSM)は、ポイントクラウド学習において有望な能力を示している。しかし、病気の診断や治療に大きな可能性を持つ医療点雲について、限られた研究がなされている。本稿では,医学点クラウド理解のためのSSMに基づく階層的特徴学習フレームワークを提案する。具体的には、最遠点サンプリングにより複数のレベルへの入力をダウンサンプリングする。各レベルにおいて、マルチスケール構造情報を集約する一連のk-nearest neighbor (KNN)クエリを実行する。点雲処理におけるSSMの補助として,不規則点の効率的な直列化のための座標次数および内外走査方式を導入する。ポイント特徴は、局所パターンと長距離依存関係の両方をキャプチャするために、バニラブロックとグループSSMブロックを通して、短い隣のシーケンスと長いポイントシーケンスから徐々に計算される。提案手法を評価するため,解剖学的分類,完成度,セグメンテーションのための大規模医療点クラウドデータセットMedPointSを構築した。 MedPointSで行った大規模な実験により,本手法は全タスクにまたがって優れた性能を発揮することが示された。データセットはhttps://flemme-docs.readthedocs.io/en/latest/medpoints.htmlで公開されている。コードは https://github.com/wlsdzyzl/flemme.com にマージされる。

関連論文リスト

Point Mamba: A Novel Point Cloud Backbone Based on State Space Model with Octree-Based Ordering Strategy [15.032048930130614]
我々は、因果性を考慮した注文機構を備えた、新しいSSMベースのポイントクラウド処理バックボーン、Point Mambaを提案する。本手法は, 変圧器をベースとした変圧器と比較して, 93.4%の精度と75.7mIOUの精度を実現している。提案手法は,SSMが点雲理解において一般的なバックボーンとして機能する可能性を示す。
論文参考訳（メタデータ） (2024-03-11T07:07:39Z)
Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文参考訳（メタデータ） (2023-11-25T08:10:05Z)
FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
論文参考訳（メタデータ） (2023-05-11T16:56:26Z)
Can point cloud networks learn statistical shape models of anatomies? [0.0]
クラウド・エンコーダ・デコーダ・ベース・コンプリート・ネットワークは,統計的形状モデリングにおいて未解決の可能性を秘めていることを示す。私たちの研究は、SSMのためのポイントクラウド深層学習のさらなる探求の道を開くものです。
論文参考訳（メタデータ） (2023-05-09T17:01:17Z)
UNet#: A UNet-like Redesigning Skip Connections for Medical Image Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文参考訳（メタデータ） (2022-05-24T03:40:48Z)
Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文参考訳（メタデータ） (2022-04-18T07:18:25Z)
3D Medical Point Transformer: Introducing Convolution to Attention Networks for Medical Point Cloud Analysis [21.934221178688116]
医療点雲,すなわち3次元医療点変換器(DMedPT)のための注意モデルを提案する。コンテクスト情報の拡大とクエリでのローカルレスポンスの要約により、我々のアテンションモジュールは、ローカルコンテキストとグローバルコンテンツ機能インタラクションの両方をキャプチャできる。 IntrAデータセットを用いて行った実験は、3DMedPTの優位性を証明し、最も優れた分類とセグメンテーション結果を得る。
論文参考訳（メタデータ） (2021-12-09T12:31:28Z)
Fast Point Voxel Convolution Neural Network with Selective Feature Fusion for Point Cloud Semantic Segmentation [7.557684072809662]
本稿では,ポイントクラウド解析のための軽量畳み込みニューラルネットワークを提案する。本手法はサンプリングなしで全点集合上で動作し,効率よく性能を向上する。
論文参考訳（メタデータ） (2021-09-23T19:39:01Z)
UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2021-08-05T17:11:08Z)
Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文参考訳（メタデータ） (2021-07-06T05:08:34Z)
Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
論文参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。