面向 3D 医学图像分割的资源优化神经架构搜索
图像与视频处理
2019-09-04 v1 计算机视觉与模式识别
机器学习
摘要
神经架构搜索（NAS）是一种自动化设计神经网络任务的框架，近期在深度学习领域被广泛研究。然而，适用于 3D 医学图像分割的 NAS 方法寥寥无几。医学 3D 图像通常体积极大；因此由于 GPU 计算负担和长训练时间，难以应用以往的 NAS 方法。我们提出了资源优化的神经架构搜索方法，其可利用少量计算力（一块 RTX 2080Ti，10.8GB GPU 显存）在短训练时间（1GB 数据集耗时 1.39 天）内应用于 3D 医学分割任务。该方法还能在不重新训练（微调）的情况下取得优异性能，而微调在多数 NAS 方法中必不可少。这些优势得益于采用基于强化学习的控制器并结合参数共享，且聚焦于宏观搜索而非微观搜索的最优搜索空间配置。我们的实验表明，所提 NAS 方法在 3D 医学图像分割中以最先进的性能优于人工设计的网络。
引用
@article{arxiv.1909.00548,
title = {Resource Optimized Neural Architecture Search for 3D Medical Image Segmentation},
author = {Woong Bae and Seungho Lee and Yeha Lee and Beomhee Park and Minki Chung and Kyu-Hwan Jung},
journal= {arXiv preprint arXiv:1909.00548},
year = {2019}
}
备注
MICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention) 2019 accepted