面向 OCT 图像分割的低维数据高效神经架构搜索
图像与视频处理
2019-07-29 v1 计算机视觉与模式识别
摘要
通常，深度学习架构是针对各自的学问题手工设计的。作为替代方案，人们提出了神经架构搜索（NAS），其中架构的结构在一个额外的优化步骤中学习。对于医学成像领域，这种方法非常有前景，因为存在需要架构设计的多样化问题和成像模态。然而，NAS 非常耗时，且医学学习问题常涉及高维数据并具有较高的计算需求。我们提出了一种在医学基于图像的深学习问题背景下进行 NAS 的高效方法，通过在低维数据上搜索架构，随后将其迁移到高维数据。对于基于 OCT 的层分割，我们证明了在 1D 数据上搜索相比在 2D 数据上搜索可减少 87.5% 的搜索时间，而最终的 2D 模型取得了相似的性能。
引用
@article{arxiv.1905.02590,
title = {Efficient Neural Architecture Search on Low-Dimensional Data for OCT Image Segmentation},
author = {Nils Gessert and Alexander Schlaefer},
journal= {arXiv preprint arXiv:1905.02590},
year = {2019}
}
备注
Accepted at MIDL 2019 [arXiv:1907.08612]