Weighted Monte Carlo augmented spherical Fourier-Bessel convolutional layers for 3D abdominal organ segmentation

要約

フィルター分解ベースのグループ等変畳み込みニューラル ネットワークは、3D 画像特徴抽出において有望な安定性とデータ効率を示します。
ただし、既存のフィルター分解ベースの 3D グループ等変ニューラル ネットワークはパラメーター共有設計に依存しており、ほとんどが回転変換グループに限定されており、選択された球面調和フィルター ベースでは角度直交性のみが考慮されます。
これらの制限により、医療画像セグメンテーション用のディープ ニューラル ネットワーク アーキテクチャへの適用が妨げられます。
これらの問題に対処するために、この論文では、モンテカルロ拡張球面フーリエ ベッセル フィルター ベースの適応集約に基づく 3D 医用画像セグメンテーションのための非パラメーター共有アフィン グループ等変ニューラル ネットワークについて説明します。
採用された非パラメータ戦略の効率性と柔軟性により、ボリューム データに対する 3D アフィン グループ等変畳み込みニューラル ネットワークの効率的な実装が初めて可能になります。
導入された球面ベッセル フーリエ フィルター基底は、角度直交性と動径直交性の両方を組み合わせて、特徴抽出を改善します。
2 つの腹部画像セット (BTCV と NIH 膵臓データセット) での 3D 画像セグメンテーション実験では、提案された方法が高いトレーニング安定性とデータ効率で最先端の 3D ニューラル ネットワークよりも優れていることが示されています。
コードは https://github.com/ZhaoWenzhao/WVMS で入手できます。

要約(オリジナル)

Filter-decomposition-based group equivariant convolutional neural networks show promising stability and data efficiency for 3D image feature extraction. However, the existing filter-decomposition-based 3D group equivariant neural networks rely on parameter-sharing designs and are mostly limited to rotation transform groups, where the chosen spherical harmonic filter bases consider only angular orthogonality. These limitations hamper its application to deep neural network architectures for medical image segmentation. To address these issues, this paper describes a non-parameter-sharing affine group equivariant neural network for 3D medical image segmentation based on an adaptive aggregation of Monte Carlo augmented spherical Fourier Bessel filter bases. The efficiency and flexibility of the adopted non-parameter strategy enable for the first time an efficient implementation of 3D affine group equivariant convolutional neural networks for volumetric data. The introduced spherical Bessel Fourier filter basis combines both angular and radial orthogonality for better feature extraction. The 3D image segmentation experiments on two abdominal image sets, BTCV and the NIH Pancreas datasets, show that the proposed methods excel the state-of-the-art 3D neural networks with high training stability and data efficiency. The code will be available at https://github.com/ZhaoWenzhao/WVMS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google