用于医学图像分割的混合块神经架构搜索
图像与视频处理
2022-02-24 v1 计算机视觉与模式识别
神经与进化计算
摘要
深度神经网络（DNNs）有潜力通过自动化医学图像分割使多种临床流程更高效。凭借其强劲的、某些情况下达人类水平的表现，它们已成为该领域的标准方法。然而，最佳医学图像分割 DNNs 的设计是任务相关的。神经架构搜索（NAS），即神经网络设计的自动化，已显示出为多种任务超越人工设计网络的能力。然而，现有的医学图像分割 NAS 方法所探索的可发现 DNN 架构类型范围相当有限。本工作中，我们提出一种用于医学图像分割网络的新型 NAS 搜索空间。该搜索空间结合了广义编码器-解码器结构（如 U-Net 中著名的）的优势，以及在图像分类任务中已被证明具有强劲表现的网络块。搜索通过同时寻找多个单元的最佳拓扑及其中每个单元的配置来进行，允许拓扑与单元级属性间的交互。在两个公开数据集上的实验表明，我们提出的 NAS 方法发现的网络性能优于知名手工分割网络，并超越仅进行拓扑搜索以及先拓扑级搜索后单元级搜索的其他 NAS 方法所发现的网络。
引用
@article{arxiv.2202.11401,
title = {Mixed-Block Neural Architecture Search for Medical Image Segmentation},
author = {Martijn M. A. Bosma and Arkadiy Dushatskiy and Monika Grewal and Tanja Alderliesten and Peter A. N. Bosman},
journal= {arXiv preprint arXiv:2202.11401},
year = {2022}
}