面向心脏MRI分割的资源感知进化神经架构搜索
计算机视觉与模式识别
2026-05-12 v1 人工智能
新兴技术
机器学习
摘要
心脏磁共振分割是心室结构和功能定量评估的基础，但由于组织对比度低、边界模糊以及扫描间变异性，可靠的分割仍然困难。我们提出了CardiacNAS，一个进化神经架构搜索框架，它将一个类似UNet的超网络与一个心脏感知的搜索空间相结合，该搜索空间涵盖深度、宽度、卷积核大小、滤波器大小、注意力、融合、激活、丢弃和残差缩放。该搜索是显式资源感知的，在固定计算预算下，联合优化Dice相似系数和95% Hausdorff距离与模型大小和浮点运算次数。候选架构从超网络实例化，使用代理预算进行训练，并通过交叉、变异和精英选择进行进化。我们在ACDC数据集上进行了评估，并与六种最先进的方法进行了比较，使用了定性比较、学习曲线分析和设计因素相关性研究。得到的模型在3.58M参数和14.56 GFLOPs下达到了93.22%的平均DSC和4.73 mm的HD95，展示了良好的精度-效率权衡。分析表明，搜索到的注意力和融合选择，以及残差缩放，有助于提高边界保真度和稳定性。CardiacNAS为可部署的CMR分割提供了一种有原则的、资源感知的方法，并透明地报告了架构复杂性和计算预算。
引用
@article{arxiv.2605.08238,
title = {Resource-Aware Evolutionary Neural Architecture Search for Cardiac MRI Segmentation},
author = {Farhana Yasmin and Mahade Hasan and Haipeng Liu and Amjad Ali and Ghulam Muhammad and Yu Xue},
journal= {arXiv preprint arXiv:2605.08238},
year = {2026}
}