面向医学图像少样本学习的神经架构搜索元学习

深度学习方法已成功解决机器学习中的任务，并因其能从非结构化数据中自动提取特征而在许多领域取得突破。然而，其性能依赖于人工试错过程以选择合适的网络架构、训练超参数以及前/后处理流程。尽管已有研究表明网络架构在从数据中学习特征表示及最终性能方面起着关键作用，但搜索最佳网络架构计算密集且严重依赖研究者的经验。自动化机器学习（AutoML）及其先进技术即神经架构搜索（NAS）已被提出以应对这些局限。NAS不仅在一般计算机视觉任务中，也在包括医学成像在内的多个领域应用中受到关注。在医学成像中，NAS在提高图像分类、分割、重建等的精度方面取得了显著进展。然而，NAS需要大量标注数据、可观的计算资源以及预定义任务。为应对此类局限，元学习已被采用于少样本学习与多任务场景。在本章中，我们首先通过讨论搜索空间、搜索策略与评估策略中知名的方法来简要回顾NAS。随后介绍医学成像中用于分类、分割、检测、重建等不同应用的各种NAS方法。接着解释NAS中用于少样本学习与多任务的元学习。最后，我们描述NAS中的若干开放问题。