神经架构 搜索生物医学图像分类:跨数据模式的比较研究
Zeki Kuş1, Musa Aydin1, Berna Kiraz2
1Fatih Sultan Mehmet Vakif University, Department of Computer Engineering, Istanbul, Turkiye.
Artificial intelligence in medicine
|January 8, 2025
概括
两种自动化方法,PBC-NAS和BioNAS,被比较用于医学图像分类. 生物纳斯实现了更高的准确性,而PBC-NAS提供了更好的计算效率,优于现有的模型和框架.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 医疗图像分类的深度神经网络的手动设计耗时且不理想.
- 神经架构搜索 (NAS) 自动化网络设计,可能产生更高效和有效的模型.
研究的目的:
- 对两种新的NAS方法进行比较分析,即PBC-NAS和BioNAS.
- 用MedMNIST数据集评估他们在生物医学图像分类任务上的表现.
- 为了评估分类准确性,AUC和计算复杂性 (FLOP).
主要方法:
- 在MedMNIST数据集上对PBC-NAS和BioNAS进行比较分析.
- 评估指标:准确性 (ACC),曲线下的面积 (AUC),浮点操作计数 (FLOP).
- 对建筑参数,微调,搜索空间效率和差异性性能进行废除研究.
主要成果:
- 在准确度方面,BioNAS模型略高于PBC-NAS (BioNAS-2:0.848 avg ACC).
- 在PBC-NAS模型中,计算效率更高 (PBC-NAS-2:0.82 GB avg FLOPs).
- 这两种方法在ACC和AUC方面都超过了ResNet,AutoML框架和大多数先前的NAS研究.
结论:
- PBC-NAS和BioNAS为生物医学图像分类提供高效和有效的自动化解决方案.
- 更大的过器尺寸和特定的模块配置提高了性能.
- 在没有特定数据集的NAS的情况下微调现有架构是有效的.
更多相关视频
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
6.9K
04:25Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
Published on: December 15, 2023
2.2K
