Table 1:

3D-CNN architecture.

Layer	Kernel Size	Stride	Output Size	Feature Volumes
Input	-		48×48×32	1(or 2)
C1	5×5×5	[1 1 1]	44×44×28	32 (or 64)
C2	3×3×3	[1 1 1]	42×42×26	64
C3	3×3×3	[1 1 1]	40×40×24	64
C4	3×3×3	[1 1 1]	38×38×22	64
C5	3×3×3	[1 1 1]	36×36×20	64
MP1	2×2×2	[2 2 2]	18×18×10	64
C6	3×3×3	[1 1 1]	16×16×8	64
C7	2×2×2	[1 1 1]	15×15×5	64
C8	3×3×3	[1 1 1]	13×13×4	64
MP2	3×3×3	[2 2 2]	6×6×2	64
C9	3×3×3	[1 1 1]	6×6×2	64
C10	3×3×1	[1 1 1]	6×6×2	64
C11	3×3×1	[1 1 1]	6×6×2	64
C12	3×3×1	[1 1 1]	6×6×2	32
FC1			1×1×1	512
FC2			1×1×1	256
FC3			1×1×1	3

^*C indicates Convolution layer + ReLU layer +Batch Normalization layer; MP indicates Max-pooling layer; and FC indicates Fully connected layer.