DiNTS：面向三维医学图像分割的可微分神经网络拓扑搜索
计算机视觉与模式识别
2021-03-31 v1
摘要
近来，神经架构搜索（NAS）已被用于自动搜索高性能网络以进行医学图像分割。NAS 搜索空间通常包含网络拓扑层级（控制具有不同空间尺度的单元之间的连接）与单元层级（各单元内的操作）。现有方法要么在大规模 3D 图像数据集上需要较长搜索时间，要么受限于预定义拓扑（如 U 形或单路径）。本工作中，我们聚焦于 3D 医学图像分割中 NAS 的三个重要方面：灵活的多路径网络拓扑、高搜索效率以及受限的 GPU 内存占用。提出一种新颖的可微分搜索框架，以支持在高度灵活的网络拓扑搜索空间内进行快速的基于梯度的搜索。可微分方案中搜索到的最优连续模型的离散化可能产生次优的最终离散模型（离散化间隙）。因此，我们提出一种拓扑损失来缓解该问题。此外，搜索过程中通过预算约束限制所搜 3D 模型的 GPU 内存使用。我们的可微分网络拓扑搜索方案（DiNTS）在包含十项极具挑战性分割任务的医学分割十项全能（MSD）挑战赛上进行了评估。我们的方法取得了最先进的性能，并在 MSD 挑战赛排行榜上排名首位。
引用
@article{arxiv.2103.15954,
title = {DiNTS: Differentiable Neural Network Topology Search for 3D Medical Image Segmentation},
author = {Yufan He and Dong Yang and Holger Roth and Can Zhao and Daguang Xu},
journal= {arXiv preprint arXiv:2103.15954},
year = {2021}
}
备注
CVPR2021 oral