FRS-Nets: Fourier Parameterized Rotation and Scale Equivariant Networks for Retinal Vessel Segmentation

要約

翻訳等分散により、畳み込みニューラル ネットワーク (CNN) は網膜血管のセグメンテーションで大きな成功を収めています。
ただし、回転対称やスケール対称など、血管形態の他のいくつかの対称性は CNN によって特徴付けられません。
より多くの等変性を CNN に埋め込み、網膜血管セグメンテーションの精度要件を達成するために、フーリエ パラメーター化され、回転とスケーリングに対して等変である新しい畳み込み演算子 (FRS-Conv) を構築します。
具体的には、まず新しいパラメータ化スキームを採用し、畳み込みフィルターが高精度で任意に変換を実行できるようにします。
次に、回転とスケールの等変畳み込みマッピングの公式を導き出します。
最後に、提案された定式化に従って FRS-Conv を構築し、U-Net および Iter-Net の従来の畳み込みフィルターを FRS-Conv (FRS-Nets) に置き換えます。
私たちは比較したすべての手法を忠実に再現し、データセット内およびデータセット間の設定の両方で 3 つの公開データセットに対して包括的な実験を実施します。
FRS-Net は、対応するベースラインのわずか 13.9% のパラメーターで最先端のパフォーマンスを達成し、比較したすべての方法を大幅に上回っています。
これは、FRS-Net の驚くべき精度、一般化、および臨床応用の可能性を示しています。

要約(オリジナル)

With translation equivariance, convolution neural networks (CNNs) have achieved great success in retinal vessel segmentation. However, some other symmetries of the vascular morphology are not characterized by CNNs, such as rotation and scale symmetries. To embed more equivariance into CNNs and achieve the accuracy requirement for retinal vessel segmentation, we construct a novel convolution operator (FRS-Conv), which is Fourier parameterized and equivariant to rotation and scaling. Specifically, we first adopt a new parameterization scheme, which enables convolutional filters to arbitrarily perform transformations with high accuracy. Secondly, we derive the formulations for the rotation and scale equivariant convolution mapping. Finally, we construct FRS-Conv following the proposed formulations and replace the traditional convolution filters in U-Net and Iter-Net with FRS-Conv (FRS-Nets). We faithfully reproduce all compared methods and conduct comprehensive experiments on three public datasets under both in-dataset and cross-dataset settings. With merely 13.9% parameters of corresponding baselines, FRS-Nets have achieved state-of-the-art performance and significantly outperform all compared methods. It demonstrates the remarkable accuracy, generalization, and clinical application potential of FRS-Nets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google