自动设计用于医学图像分割的 CNN 架构
机器学习
2018-07-23 v1 计算机视觉与模式识别
机器学习
摘要
深度神经网络架构传统上由人类专家在漫长的试错过程中设计与探索，该过程耗费大量时间、专业知识和资源。为解决这一繁琐问题，我们提出一种新颖算法，自动最优地寻找深度网络架构的超参数。我们特别关注为医学图像分割任务设计神经架构。所提方法基于策略梯度强化学习，其奖励函数被赋予分割评价效用（即 dice 系数）。我们展示了该方法相较最先进医学图像分割网络在计算成本上的有效性。我们还提出一种新的架构设计，即密集连接编码器-解码器 CNN，作为应用所提超参数搜索算法的强基线架构。我们将所提算法应用于基线架构的每一层。作为应用，我们在来自 Automated Cardiac Diagnosis Challenge (ACDC) MICCAI 2017 的心脏电影 MR 图像上训练所提系统。从基线分割架构出发，所得网络架构在精度上取得最先进结果，而无需任何基于试错的架构设计方法或对超参数变更密切监督。
引用
@article{arxiv.1807.07663,
title = {Automatically Designing CNN Architectures for Medical Image Segmentation},
author = {Aliasghar Mortazi and Ulas Bagci},
journal= {arXiv preprint arXiv:1807.07663},
year = {2018}
}
备注
Accepted to Machine Learning in Medical Imaging (MLMI 2018)