代理数据与代理网络在医学图像分割超参数优化中的威力
图像与视频处理
2021-07-13 v1 计算机视觉与模式识别
摘要
用于医学图像分割的深度学习模型主要是数据驱动的。用更多数据训练的模型可带来性能和泛化能力的提升。然而，训练是一个计算昂贵的过程，因为需要测试多个超参数以找到最佳性能的最优设置。在这项工作中，我们专注于通过提出两种新方法：代理数据和代理网络，来加速超参数的估计。两者均可用于更高效地估计超参数。我们使用知名公共数据集在 CT 和 MR 成像模态上测试了所提技术。在两种情况下，均使用一个数据集构建代理数据，另一数据源进行外部评估。对于 CT，该方法在脾脏分割上测试，使用两个数据集。第一个数据集来自医学分割十项全能（MSD），在此构建代理数据，第二个数据集用作外部验证数据集。类似地，对于 MR，该方法在前列腺分割上评估，第一个数据集来自 MSD，第二个数据集为 PROSTATEx。首先，我们表明在外部验证集上测试时，使用较小的代理数据比随机选取代理数据与使用全量数据训练具有更高的相关性。其次，我们表明代理网络与完整网络在验证 Dice 分数上存在高相关性。第三，我们表明所提的利用代理网络的方法可将用于超参数搜索的 AutoML 框架加速 3.3 倍，若代理数据与代理网络同时使用则可加速 4.4 倍。
引用
@article{arxiv.2107.05471,
title = {The Power of Proxy Data and Proxy Networks for Hyper-Parameter Optimization in Medical Image Segmentation},
author = {Vishwesh Nath and Dong Yang and Ali Hatamizadeh and Anas A. Abidin and Andriy Myronenko and Holger Roth and Daguang Xu},
journal= {arXiv preprint arXiv:2107.05471},
year = {2021}
}