机构名称：
¥ 1.0
脑血管分析对于开发神经退行性疾病的新型治疗靶标至关重要。这样的准确分析不能手动执行，而需要半自动或完全自动化的方法。深度学习方法最近已证明对医学图像的自动分割和分析必不可少。但是，优化深度学习网络体系结构是另一个挑战。手动选择深度学习网络体系结构并调整其超参数需要大量的专业知识和精力。为了解决这个问题，文献中提出了探索具有高分从细分性能的更高效网络体系结构的神经体系结构搜索（NAS）方法。这项研究介绍了基于差异进化的NAS方法，其中提出了新的搜索空间以用于脑血管分割。我们选择了经常用于医学图像分割的两个架构，即u-net和注意U-net，作为NAS优化的基准。传统的差异进化和基于反对的差异进化与新型搜索空间一起用作NAS中的搜索方法。此外，我们进行消融研究并评估特定损失函数，模型修剪，阈值选择和概括性能对所提出模型的影响。实验是在提供335个单渠道8位灰度图像的两个数据集上进行的。这些数据集是公共体积脑血管系统数据集（CONSEINN）和我们自己的名为Kuvesg的数据集。所提出的NAS方法，即UNAS-NET和COATION UNAS-NET体系结构，就不同的分割指标而言产生了更好的分割性能。更具体地说，具有差分进化的UNAS-NET揭示了高骰子得分/敏感性值分别为79.57/81.48。此外，它们的推理时间比基线方法短9.15。
基于差异进化的神经结构搜索脑血管分割
主要关键词
相关文件推荐
