Regular SE(3) Group Convolutions for Volumetric Medical Image Analysis

要約

通常のグループ畳み込みニューラル ネットワーク (G-CNN) は、モデルのパフォーマンスを向上させ、さまざまな幾何学的対称性に対する等分散性を向上させることが示されています。
この研究は、体積データに関する SE(3)、つまりロト変換の等分散の問題に取り組んでいます。
ボリューム画像データは多くの医療現場で普及しています。
分離可能なグループ畳み込みに関する最近の研究に動機付けられ、連続 SO(3) (回転) カーネルと空間カーネルに分離された SE(3) グループ畳み込みカーネルを考案しました。
均一な SO(3) グリッドをサンプリングすることにより、連続設定に対する等分散を近似します。
連続 SO(3) カーネルは、同様に均一なグリッド上の RBF 補間によってパラメータ化されます。
私たちは、体積医療画像解析におけるアプローチの利点を実証します。
当社の SE(3) 等変モデルは、困難な医療分類タスクにおいて CNN や通常の離散 G-CNN よりも常に優れたパフォーマンスを示し、一般化機能が大幅に向上しています。
私たちのアプローチでは、通常の CNN と比較して精度が最大 16.5% 向上します。

要約(オリジナル)

Regular group convolutional neural networks (G-CNNs) have been shown to increase model performance and improve equivariance to different geometrical symmetries. This work addresses the problem of SE(3), i.e., roto-translation equivariance, on volumetric data. Volumetric image data is prevalent in many medical settings. Motivated by the recent work on separable group convolutions, we devise a SE(3) group convolution kernel separated into a continuous SO(3) (rotation) kernel and a spatial kernel. We approximate equivariance to the continuous setting by sampling uniform SO(3) grids. Our continuous SO(3) kernel is parameterized via RBF interpolation on similarly uniform grids. We demonstrate the advantages of our approach in volumetric medical image analysis. Our SE(3) equivariant models consistently outperform CNNs and regular discrete G-CNNs on challenging medical classification tasks and show significantly improved generalization capabilities. Our approach achieves up to a 16.5% gain in accuracy over regular CNNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google