Core Concepts
提案された手法は、3D医療画像セグメンテーションにおいて高い訓練安定性とデータ効率を持つ最先端の3Dニューラルネットワークを超える。
Abstract
Abstract:
既存のフィルター分解に基づく3Dグループ同変ニューラルネットワークは、パラメータ共有設計に依存しており、回転同変性CNNに限定されている。
提案手法は、Monte Carlo拡張球面フーリエ・ベッセルフィルター基底を用いた非パラメータ共有アフィングループ同変ニューラルネットワークを記述し、その効率性と柔軟性が初めて実現される。
Methods:
3D正値一般線形群GL+(3, R)とその部分群を考慮する。
グループ畳み込みは一般化された畳み込みから導かれる。
重み付きMonte Carlo G-CNN戦略は、ランダムに初期化されたトレーニング可能な重みwで訓練開始時に良好なグループ同変性を持つようにする。
Experiments:
BTCVおよびNIH Pancreasデータセットで提案手法の優れたパフォーマンスが示されている。
モデル比較ではMedNeXt-L-k5+WMCG-sFB-nb27が最も優れていることが示唆されている。
Stats
提案手法は高い訓練安定性とデータ効率を実現しています。
Quotes
提案手法は、"Monte Carlo augmented spherical Fourier Bessel filter bases" を使用しています。