V-NAS：面向体医学图像分割的神经架构搜索
图像与视频处理
2019-08-06 v2 计算机视觉与模式识别
摘要
深度学习算法，特别是2D和3D全卷积神经网络（FCNs），已迅速成为体医学图像分割的主流方法。然而，2D卷积无法充分利用第三轴方向的丰富空间信息，而3D卷积则受限于高昂的计算量和GPU内存消耗。本文提出自动搜索适配体医学图像分割问题的网络架构。具体而言，我们将结构学习表述为可微分神经架构搜索，并让网络在每一层自行选择2D、3D或伪3D（P3D）卷积。我们在3个公开数据集上评估了该方法，即NIH胰腺数据集、来自医学分割十项全能（MSD）挑战赛的肺和胰腺数据集。我们提出的方法V-NAS在正常器官（NIH胰腺）和异常器官（MSD肺肿瘤和MSD胰腺肿瘤）的分割任务上均持续优于其他SOTA方法，显示了所选架构的能力。此外，在一个数据集上搜索得到的架构能够很好地泛化到其他数据集，证明了我们所提方法的鲁棒性和实用价值。
引用
@article{arxiv.1906.02817,
title = {V-NAS: Neural Architecture Search for Volumetric Medical Image Segmentation},
author = {Zhuotun Zhu and Chenxi Liu and Dong Yang and Alan Yuille and Daguang Xu},
journal= {arXiv preprint arXiv:1906.02817},
year = {2019}
}
备注
Accepted by 3DV, camera ready version. 8 pages, 4 figures and 5 tables