在3D医疗数据中利用SO(3) 可转向卷曲来实现姿势强大的语义细分
Ivan Diaz1, Mario Geiger2, Richard Iain McKinley1
1Support Center for Advanced Neuroimaging (SCAN), University Institute of Diagnostic and Interventional Neuroradiology, University of Bern, Inselspital, Bern University Hospital, Bern, Switzerland.
The journal of machine learning for biomedical imaging
|December 10, 2024
概括
新的旋转等价卷积网络改善了医疗图像的细分. 这些网络提供更好的性能,需要更少的数据,并且比标准卷积神经网络 (CNN) 更有效率.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 卷积神经网络 (CNN) 在医学图像分析中被广泛使用.
- 标准的CNN缺乏旋转等差,限制了性能,需要大量的数据增强.
- 现有的细分网络通常依赖于标准的卷积内核,尽管旋转等价层的好处.
研究的目的:
- 引入一个新的细分网络家族,利用基于球体波的等价声元卷积.
- 为了提高对未见的数据构成的稳定性,并减少对基于旋转的数据增强的需求.
- 改善医学成像任务中的细分性能,特别是MRI脑瘤和健康的大脑结构细分.
主要方法:
- 开发一个新的细分网络家族,采用等价的voxel卷积.
- 使用球体波来实现SO(3) 可引导的内核,以改善参数共享和转换等差.
- 实施这些网络用于MRI脑瘤和健康的大脑结构细分任务.
主要成果:
- 与标准卷积网络相比,证明了更好的细分性能.
- 展示了对少量的培训数据的增强稳定性.
- 实现了参数效率的提高,并减少了基于旋转的数据增强的需求.
结论:
- 均等的声素卷曲为医疗图像细分提供了显著的优势.
- 这些网络提供了更高的稳定性,更好的样本效率和更小的网络尺寸.
- 拟议的网络代表了医学图像分析的有希望的进步,特别是在具有挑战性的细分任务中.
