NG-NAS:节点增长神经架构寻找3D医学图像细分的搜索
Shixi Qin1, Zixun Zhang1, Yuncheng Jiang1
1The Future Network of Intelligence Institute, The Chinese University of Hong Kong (Shenzhen), Shenzhen, China; School of Science and Engineering, The Chinese University of Hong Kong (Shenzhen), Shenzhen, China.
概括
一种新的神经架构搜索 (NAS) 方法NG-NAS通过避免重量共享和探索网络拓来改善3D医疗图像细分. 这种方法在多个基准指标上取得了最先进的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 神经架构搜索 (NAS) 用于3D医疗图像细分,但面临着挑战.
- 在NAS中的权重共享可能会导致由于不一致的训练导致不准确的架构排名.
- 现有的NAS方法经常使用不灵活的超级网络,限制了对最佳网络拓和运营商的搜索.
研究的目的:
- 提出一个新的NAS算法,NG-NAS,解决当前方法的局限性.
- 为了实现对3D医疗图像细分的网络拓和运营商的全面搜索.
- 为了提高NAS在医疗图像细分任务中的准确性和性能.
主要方法:
- NG-NAS以简单的架构开始,并贪地增长节点,避免重量共享.
- 它通过两个节点生成类型探索各种网络拓结构.
- 没有培训策略的NAS用于有效评估候选节点代.
主要成果:
- 在多个3D医疗图像细分基准上,NG-NAS实现了最先进的性能.
- 该方法与以前的SOTA方法相比,显示出优异的结果.
- 具体的子分数包括MSD肝脏的85.11,MSD大脑的65.70和BTCV的87.59.
结论:
- NG-NAS有效地搜索最佳网络拓和运营商.
- 拟议的方法显著提高了3D医学图像细分性能.
- 在这个领域,NG-NAS为NAS提供了更准确,更全面的方法.
