Deep Neural Patchworks: Coping with Large Segmentation Tasks

要約

畳み込みニューラルネットワークは、任意の画像セグメンテーションタスクを解決するための方法である。しかし、画像が大きい場合、特に一般的なGPUでは、メモリ需要が利用可能なリソースを超えてしまうことがよくあります。特に、3D画像が一般的なバイオメディカルイメージングでは、その問題は明らかです。この制限を解決するための典型的なアプローチは、画像をより小さな画像パッチに分割することで、タスクをより小さなサブタスクに分割することです。また、該当する場合は、2D画像部分を別々に見て、2Dで問題を解決するアプローチもあります。多くの場合、グローバルな文脈の喪失により、このようなアプローチはあまり効果的ではない。重要なグローバルな情報は、現在の画像パッチ、または選択された2D画像セクションに存在しないかもしれない。本論文では、グローバルコンテキストとメモリ制限の間のジレンマを解決する、パッチベースネットワークの階層的・入れ子的スタッキングに基づくセグメンテーションフレームワークであるDeep Neural Patchworks (DNP)を提案する。

要約(オリジナル)

Convolutional neural networks are the way to solve arbitrary image segmentation tasks. However, when images are large, memory demands often exceed the available resources, in particular on a common GPU. Especially in biomedical imaging, where 3D images are common, the problems are apparent. A typical approach to solve this limitation is to break the task into smaller subtasks by dividing images into smaller image patches. Another approach, if applicable, is to look at the 2D image sections separately, and to solve the problem in 2D. Often, the loss of global context makes such approaches less effective; important global information might not be present in the current image patch, or the selected 2D image section. Here, we propose Deep Neural Patchworks (DNP), a segmentation framework that is based on hierarchical and nested stacking of patch-based networks that solves the dilemma between global context and memory limitations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL