利用蒙特卡洛树搜索优化医学图像分割的神经网络架构
计算机视觉与模式识别
2026-02-27 v1
摘要
本文提出了一种新颖的医学图像分割框架 MNAS-Unet，该框架结合了蒙特卡洛树搜索 (MCTS) 和神经架构搜索 (NAS)。MNAS-Unet 通过 MCTS 动态探索有前景的网络架构，显著提升了架构搜索的效率和准确性。它还优化了 DownSC 和 UpSC 单元结构，实现了快速精确的模型调整。实验结果表明，在包括 PROMISE12、Ultrasound Nerve 和 CHAOS 在内的多个医学图像数据集上，MNAS-Unet 在分割精度上优于 NAS-Unet 和其他最先进的模型。此外，与 NAS-Unet 相比，MNAS-Unet 将架构搜索预算减少了 54%（在相同搜索设置下，早期停止于 139 个 epoch 对比 300 个 epoch），同时实现了仅 0.6M 参数的轻量级模型和更低的 GPU 内存消耗，进一步提升了其实用性。这些结果表明，MNAS-Unet 能够在实际资源约束下，在保持有竞争力的分割精度的同时提高搜索效率。
引用
@article{arxiv.2602.22361,
title = {Optimizing Neural Network Architecture for Medical Image Segmentation Using Monte Carlo Tree Search},
author = {Liping Meng and Fan Nie and Yunyun Zhang and Chao Han},
journal= {arXiv preprint arXiv:2602.22361},
year = {2026}
}