HyperSegNAS：利用超网将一次性神经架构搜索与三维医学图像分割相桥接
图像与视频处理
2022-03-25 v2 计算机视觉与模式识别
摘要
由于物体（如器官或肿瘤）形状和模式的高度变异性，三维医学图像的语义分割是一项具有挑战性的任务。鉴于深度学习在医学图像分割中的近期成功，神经架构搜索（NAS）已被引入以寻找高性能的三维分割网络架构。然而，由于三维数据的巨大计算需求和架构搜索的离散优化本质，以往的NAS方法需要很长的搜索时间或必要的连续松弛，且通常导致次优的网络架构。虽然一次性NAS有可能解决这些缺点，但其在分割领域的应用在多尺度多路径的广阔搜索空间中尚未得到充分研究。为使一次性NAS能用于医学图像分割，我们提出名为HyperSegNAS的方法，引入一个HyperNet，通过融入架构拓扑信息来辅助超网训练。该HyperNet在超网训练完成后可移除，并在架构搜索时不会引入额外开销。我们表明，与先前最先进（SOTA）的分割网络相比，HyperSegNAS能产生性能更好且更直观的架构；此外，它能在不同计算约束下快速准确地找到优良的架构候选。我们的方法在来自医学分割十项全能（MSD）挑战的公开数据集上评估，并取得了SOTA性能。
引用
@article{arxiv.2112.10652,
title = {HyperSegNAS: Bridging One-Shot Neural Architecture Search with 3D Medical Image Segmentation using HyperNet},
author = {Cheng Peng and Andriy Myronenko and Ali Hatamizadeh and Vish Nath and Md Mahfuzur Rahman Siddiquee and Yufan He and Daguang Xu and Rama Chellappa and Dong Yang},
journal= {arXiv preprint arXiv:2112.10652},
year = {2022}
}