尺度等变深度学习用于三维数据

卷积神经网络（CNNs）能够识别图像中无论处于何种位置的对象，这归因于卷积操作的平移等变性。群等变CNNs将这种等变性推广到输入的其他变换。恰当处理不同尺度的对象及对象部件具有挑战性，而尺度可能因多种原因发生变化，例如底层对象尺寸或成像模态的分辨率。在本文中，我们提出了一种面向三维数据的尺度等变卷积网络层，可保证三维CNNs中的尺度等变性。尺度等变性免除了必须分别学习每种可能尺度的负担，使神经网络能够聚焦于更高层次的学习目标，从而带来更好的结果和更高的数据效率。我们概述了二维领域中尺度等变神经网络的理论基础与科研工作。随后我们将概念从二维迁移到三维空间，创建了面向三维数据的尺度等变卷积层。利用所提出的尺度等变层，我们构建了用于医学图像分割的尺度等变U-Net，并与非尺度等变的基线方法进行比较。我们的实验证明了所提方法在实现三维医学图像分析尺度等变性方面的有效性。我们在https://github.com/wimmerth/scale-equivariant-3d-convnet发布代码以供进一步研究与应用。