HNAS-Reg:层次神经架构搜索可变形的医疗图像注册
1Center for Biomedical Image Computing and Analytics, Department of Radiology, Perelman School of Medicine, University of Pennsylvania, Philadelphia, PA.
Proceedings. IEEE International Symposium on Biomedical Imaging
|October 4, 2023
概括
本研究介绍了HNAS-Reg,这是一个用于优化医疗图像注册中的深度学习模型的新框架. 与现有方法相比,它实现了更高的准确性和更小的模型尺寸.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 卷积神经网络 (CNN) 在医疗图像注册中很普遍,但通常依赖于手工设计的架构.
- 手动设计可能不会为复杂的任务提供最佳性能,例如可变形医疗图像的注册.
研究的目的:
- 开发一个自动化框架,用于发现可变形医疗图像注册的最佳网络架构.
- 为了解决医疗成像深度学习中的计算和记忆限制.
主要方法:
- 为医疗图像注册引入了一个层次神经架构搜索 (NAS) 框架 (HNAS-Reg).
- 包括卷积运算搜索和网络拓搜索.
- 利用部分通道策略来减少计算开销而不会影响质量.
主要成果:
- HNAS-Reg确定了用于可变形医学图像注册的最佳深度学习架构.
- 与传统和无监督学习方法相比,拟议的方法证明了更好的注册准确性.
- 在保持高性能的同时,实现了显著的模型尺寸缩小.
结论:
- 该HNAS-Reg框架有效地自动化了用于医疗图像注册的高性能深度学习模型的设计.
- 这种方法为手工架构设计和现有方法提供了更有效,更准确的替代方案.
- 这些发现表明,在医学图像分析中推进深度学习应用的有希望的方向.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.8K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
624