用于苏木精-伊红染色组织图像中细胞核实例分割的深度神经网络剪枝
图像与视频处理
2022-06-16 v1 计算机视觉与模式识别
摘要
近来，深度神经网络(DNNs)剪枝因提升准确率与泛化能力、缩减网络规模以及加速专用硬件上的推理而备受关注。尽管剪枝主要在计算机视觉任务上被测试，其在医学图像分析情境中的应用鲜有探究。本工作研究了著名的剪枝技术（即逐层与全网幅度剪枝）对组织图像中细胞核实例分割性能的影响。我们采用的实例分割模型由两个主要分支构成：(1)语义分割分支，与(2)深度回归分支。我们分别考察了权重剪枝对两个分支性能及最终细胞核实例分割结果的影响。在两个公开数据集上的评估表明，对于小压缩比(CRs)，逐层剪枝性能略优于全网剪枝；而对于大CRs，全网剪枝表现更优。对于语义分割、深度回归与最终实例分割，逐层剪枝可剪除模型权重的93.75%、95%与80%，而相应模型性能下降小于2%。
引用
@article{arxiv.2206.07422,
title = {Deep Neural Network Pruning for Nuclei Instance Segmentation in Hematoxylin & Eosin-Stained Histological Images},
author = {Amirreza Mahbod and Rahim Entezari and Isabella Ellinger and Olga Saukh},
journal= {arXiv preprint arXiv:2206.07422},
year = {2022}
}