Deep Active Latent Surfaces for Medical Geometries

要約

ノイズの多いデータや不完全なデータから3D形状を再構築する場合、形状の事前分布が効果的であることが長い間知られています。
深層学習ベースの形状表現を使用する場合、これには潜在表現の学習が含まれることが多く、単一のグローバルベクトルまたは複数のローカルベクトルのいずれかの形式にすることができます。
後者は柔軟性を高めますが、過剰適合する傾向があります。
この論文では、各頂点に個別の潜在ベクトルを持つ3Dメッシュの観点から形状を表すハイブリッドアプローチを提唱します。
トレーニング中、潜在ベクトルは同じ値を持つように制約され、過剰適合を回避します。
推論のために、潜在ベクトルは、空間正則化制約を課しながら、独立して更新されます。
これにより、柔軟性と一般化機能の両方が得られることを示します。これは、いくつかの医療画像処理タスクで実証されています。

要約(オリジナル)

Shape priors have long been known to be effective when reconstructing 3D shapes from noisy or incomplete data. When using a deep-learning based shape representation, this often involves learning a latent representation, which can be either in the form of a single global vector or of multiple local ones. The latter allows more flexibility but is prone to overfitting. In this paper, we advocate a hybrid approach representing shapes in terms of 3D meshes with a separate latent vector at each vertex. During training the latent vectors are constrained to have the same value, which avoids overfitting. For inference, the latent vectors are updated independently while imposing spatial regularization constraints. We show that this gives us both flexibility and generalization capabilities, which we demonstrate on several medical image processing tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google