基于 Zernike 卷积神经网络的脑动脉瘤壁应力估计
机器学习
2018-06-21 v1 计算机视觉与模式识别
机器学习
摘要
卷积神经网络 (ConvNets) 已展现出从数字图像与信号中辨识视觉模式的卓越能力。遗憾的是，如此强大的 ConvNets 难以很好地泛化到任意形状流形，其上数据表示无法适配类张量的网格。因此，许多科学与工程领域（其数据点具有某种流形结构）无法充分享受 ConvNets 近期进展的益处。本文引入的动脉瘤壁应力估计问题即是诸多此类问题之一。该问题具有极高临床重要性，然而由于数据的流形结构，传统 ConvNets 无法应用，最先进的几何 ConvNets 亦表现不佳。受此驱动，我们提出一种名为 ZerNet 的新几何 ConvNet 方法，其构建于我们对流形上卷积与池化操作的新的数学推广之上。我们的研究表明，ZerNet 在精度上优于其他最先进的几何 ConvNets。
引用
@article{arxiv.1806.07441,
title = {Wall Stress Estimation of Cerebral Aneurysm based on Zernike Convolutional Neural Networks},
author = {Zhiyu Sun and Jia Lu and Stephen Baek},
journal= {arXiv preprint arXiv:1806.07441},
year = {2018}
}
备注
10 pages