C2FNAS：用于三维医学图像分割的由粗到细神经架构搜索
计算机视觉与模式识别
2020-04-21 v2
摘要
三维卷积神经网络（CNN）在解析三维医学图像中的器官或肿瘤方面已被证明非常成功，但在不同任务背景下选择或设计合适的三维网络仍然复杂且耗时。近来，神经架构搜索（NAS）被提出用于通过自动搜索最佳网络架构来解决此问题。然而，由于内存限制和巨大的搜索空间，NAS算法中搜索阶段与部署阶段之间的不一致性常常存在，当将NAS应用于一些内存和时间消耗大的任务（如三维医学图像分割）时，这一问题可能更为严重。本文中，我们提出由粗到细神经架构搜索（C2FNAS），从无到有自动搜索三维分割网络，且在网络尺寸或输入尺寸上无不一致性。具体而言，我们将搜索过程分为两个阶段：1）粗阶段，搜索网络的宏级拓扑，即每个卷积模块如何与其他模块连接；2）细阶段，基于先前搜索的宏级拓扑，在每个单元中搜索微级操作。由粗到细的方式将搜索过程分为两个连续阶段，同时解决了不一致性。我们在来自医学分割十项全能（MSD）挑战的10个公开数据集上评估了我们的方法，并使用在一个数据集上搜索得到的网络取得了最先进的性能，这证明了我们所搜索模型的有效性和泛化能力。
引用
@article{arxiv.1912.09628,
title = {C2FNAS: Coarse-to-Fine Neural Architecture Search for 3D Medical Image Segmentation},
author = {Qihang Yu and Dong Yang and Holger Roth and Yutong Bai and Yixiao Zhang and Alan L. Yuille and Daguang Xu},
journal= {arXiv preprint arXiv:1912.09628},
year = {2020}
}
备注
CVPR 2020