ENAS-B:将ENAS与贝叶斯优化相结合,用于自动设计最佳CNN架构,以从超声波图像中对乳腺损伤进行分类

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医学成像分析 医学成像分析

背景情况:

• 有效的神经架构搜索 (ENAS) 优化卷积神经网络 (CNN) 细胞结构,但不是整个架构或超参数.
• 现有的ENAS方法在用于医学应用的综合CNN设计方面存在局限性,例如乳腺损伤分类.

研究的目的:

• 通过整合ENAS和贝叶斯优化来开发自动CNN架构设计的新框架.
• 优化网络架构 (细胞,深度) 和可训练的超参数,以提高性能.

主要方法:

• 使用ENAS来识别CNN的最佳正常和减少细胞.
• 采用贝叶斯优化来确定最佳的网络深度和超参数配置.
• 在1522张乳腺损伤超声波图像的数据集上验证了框架,并在外部数据集上进行了测试.

主要成果:

• 拟议的框架产生了强大的和计算轻量的CNN模型.
• 在内部测试中,错误率不超过20.6%,在外部测试中平均为17.3%.
• 在分类任务中超越了基于ENAS的默认CNN和最先进的架构.

结论:

• 结合的ENAS和贝叶斯优化框架有效地自动化了CNN架构设计.
• 该方法产生了高性能,高效的模型,用于从超声波图像中对乳腺病变进行分类.
• 在稳定性和性能方面显示出与现有方法相比的显著改进.