高效搜索植入式自适应细胞用于医学图像分割

目的：自适应跳过模块可提高医学图像分割效果，但搜索过程计算成本高昂。植入式自适应细胞（Implantable Adaptive Cells, IACs）是一种紧凑的神经网络自动搜索模块，嵌入 U-Net 的跳跃连接中，相较于完整网络的神经网络搜索，显著缩小了搜索空间。然而，原始的 IAC 框架仍需对每个主干网络和数据集进行 200 个周期的可微分搜索。方法：我们分析了在公开医学图像分割基准数据集上，对 IAC 细胞在可微分搜索过程中各操作和边的时序行为。我们发现，最终离散细胞中选中的操作通常在训练初期即在最强候选者中出现，且其架构参数在最终周期之前就已稳定。基于此，我们提出了基于 Jensen--Shannon 散度的稳定性准则，用于跟踪每条边的操作重要性分布，并在搜索过程中逐步剔除低重要性的操作。加速框架称为 IAC-LTH。结果：在四个公开基准（ACDC、BraTS、KiTS、AMOS）、多个 2D U-Net 主干网络以及 2D nnU-Net 流水线上，IAC-LTH 发现的 IAC 细胞，其患者级别的分割性能与原始完整搜索找到的细胞相当，且在某些情况下略优于后者，同时将墙钟 NAS 成本在数据集和主干网络之间降低了 3.7 倍至 16 倍。这些结果在不同架构、基准以及非增强和增强训练设置下均保持一致，同时保持了 IAC 装配 U-Net 相对于强注意力基线和稠密跳过基线的优势。结论：无需运行完整搜索即可从早期稳定的操作中识别出具有竞争力的 IAC 架构，使自适应跳过模块设计在医学图像分割的实际计算约束条件下更加实用。