Implicit U-Net for volumetric medical image segmentation

要約

U-Netは、医療画像セグメンテーションタスクの頼りになるアーキテクチャですが、U-Netアーキテクチャを3D画像に拡張する場合、計算上の課題が発生します。
効率的な暗黙の表現パラダイムを監視された画像セグメンテーションタスクに適応させる暗黙のU-Netアーキテクチャを提案します。
畳み込み特徴抽出器を暗黙のローカリゼーションネットワークと組み合わせることにより、暗黙のU-Netのパラメーターは同等のU-Netよりも40％少なくなります。
さらに、まばらな予測を活用するためのトレーニングと推論の手順を提案します。
同等の完全畳み込みU-Netと比較すると、Implicit U-Netは、2つの異なる腹部CTスキャンデータセットを使用した実験で同等の結果を達成しながら、推論とトレーニングの時間を約30％削減し、メモリフットプリントをトレーニングします。

要約(オリジナル)

U-Net has been the go-to architecture for medical image segmentation tasks, however computational challenges arise when extending the U-Net architecture to 3D images. We propose the Implicit U-Net architecture that adapts the efficient Implicit Representation paradigm to supervised image segmentation tasks. By combining a convolutional feature extractor with an implicit localization network, our implicit U-Net has 40% less parameters than the equivalent U-Net. Moreover, we propose training and inference procedures to capitalize sparse predictions. When comparing to an equivalent fully convolutional U-Net, Implicit U-Net reduces by approximately 30% inference and training time as well as training memory footprint while achieving comparable results in our experiments with two different abdominal CT scan datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google