利用 SO(3)-可转向卷积实现三维医学数据中姿态鲁棒的语义分割
图像与视频处理
2024-05-20 v3 计算机视觉与模式识别
机器学习
摘要
卷积神经网络（CNNs）通过在其线性层中使用卷积核，实现了参数共享与平移等变性。通过将这些核限制为 SO(3)-可转向的，CNNs 可进一步改善参数共享。这些旋转等变卷积层相较于标准卷积层具有若干优势，包括对已未见姿态的鲁棒性增强、网络规模更小以及样本效率提升。尽管如此，医学图像分析中使用的大多数分割网络仍依赖标准卷积核。在本文中，我们提出一类新的分割网络家族，其使用基于球谐函数的等变体素卷积。这些网络对训练期间未见的姿态具有鲁棒性，且在训练时不需要基于旋转的增强。此外，我们在 MRI 脑肿瘤与健康脑结构分割任务中展示了改进的分割性能，其对训练数据量减少具有增强的鲁棒性，并提升了参数效率。用于复现我们结果以及将等变分割网络应用于其他任务的代码可在 http://github.com/SCAN-NRAD/e3nn_Unet 获取。
引用
@article{arxiv.2303.00351,
title = {Leveraging SO(3)-steerable convolutions for pose-robust semantic segmentation in 3D medical data},
author = {Ivan Diaz and Mario Geiger and Richard Iain McKinley},
journal= {arXiv preprint arXiv:2303.00351},
year = {2024}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:010