HNAS-reg：用于可变形医学图像配准的分层神经架构搜索

Aug, 2023

HNAS-reg：用于可变形医学图像配准的分层神经架构搜索

HNAS-reg: hierarchical neural architecture search for deformable medical image registration

Jiong Wu, Yong Fan

TL;DR这篇论文提出了一个层次化的 NAS 框架（HNAS-Reg），通过卷积操作搜索和网络拓扑搜索，寻找最优网络结构用于可变形医学图像配准，实验证实该方法相比传统方法和两种无监督学习方法，在配准准确性和模型大小方面有明显的改进。

Abstract

convolutional neural networks (CNNs) have been widely used to build deep learning models for medical image registration, but manually designed network architectures are not necessarily optimal. This paper present

convolutional neural networks medical image registration hierarchical nas framework deformable medical image registration deep learning model

发现论文，激发创造

针对三维医学图像分割的可扩展神经体系结构搜索

本文提出了一种神经体系结构搜索 (NAS) 框架，用于自动优化大规模设计空间中的神经体系结构，支持 3D 医学图像分割任务，其优化准确度在基准测试数据集上优于人类设计的 3D U-Net，经过优化的体系结构适用于不同的任务。

Jun, 2019

C2FNAS: 用于 3D 医学图像分割的粗到细神经架构搜索

本论文提出了一种从零开始自动搜索 3D 医学图像分割网络的方法 —— 粗 - 细神经网络结构搜索（C2FNAS），该方法通过将搜索过程分解为宏观拓扑和微观细胞操作两个阶段来规避搜索和部署阶段之间的不一致，最后将该方法应用于 10 个公共数据集上获得了最新的实验结果。

Dec, 2019

Auto-DeepLab：用于语义图像分割的分层神经架构搜索

本文通过搜索单元结构和网络结构两个不同的层次来提高图像分割性能，并设计出了一种有效的基于梯度的架构搜索方法，其结果表明，在不进行 ImageNet 预训练的情况下，Auto-DeepLab 可以达到最先进的性能水平。

Jan, 2019

面向三维医疗图像分割的资源优化神经架构搜索

本研究提出一种基于强化学习的小样本、低计算力的 NAS 方法，优化了宏搜索空间配置，可用于大规模的 3D 医学图像分割，无需微调、训练时间仅为 1.39 天，性能表现优于手动设计的网络及现有 NAS 方法之最佳结果。

Sep, 2019

DCNAS：用于语义图像分割的密集连接神经架构搜索

本研究提出一种名为 Densely Connected NAS (DCNAS) 的神经架构搜索框架，通过连接细胞并使用可学习的权重来引入密集连接的搜索空间，并通过路径和通道级别的抽样策略设计一个融合模块来降低搜索空间的内存消耗。DCNAS 搜索算法得到的体系结构在公共语义图像分割基准测试中的表现显著优于先前算法。

Mar, 2020

MS-NAS: 医学图像分割的多尺度神经架构搜索

本文提出了一种 Multi-Scale NAS 框架，具有从网络主干到单元操作的多尺度搜索空间和多尺度融合能力，采用部分通道连接方案和两步解码方法来提高计算效率，实验结果表明，MS-NAS 在各种分割数据集上优于现有方法，并实现了 0.6-5.4% mIOU 和 0.4-3.5% DSC 的提高，计算资源消耗减少了 18.0-24.9%。

Jul, 2020

单图像超分辨率的分层神经架构搜索

提出了一种基于 Hierarchical Neural Architecture Search (HNAS) 的方法来自动设计计算成本不同的高级 SR 架构，同时考虑性能与计算成本来指导搜索过程，实验表明该方法在性能上优于现有方法。

Mar, 2020

HM-NAS: 基于分层掩膜的高效神经架构搜索

本文介绍了一种称为 HM-NAS 的高效神经结构搜索方法，它通过引入多级结构编码方案和自动学习的层次掩码方案来实现更加灵活、优化的高级神经网络结构搜索，相比现有的基于权重共享的方法，HM-NAS 在体系结构搜索性能和模型评估准确性方面都有了明显的提高。

Aug, 2019

HASA: 超声图像中包虫病分类与卵巢分割的混合架构搜索与聚合策略

该论文提出了一种混合的神经架构搜索框架，将 NAS 算法与人类专家的先验知识相结合，使用混合的深度卷积操作和挤压 - 激励块来增强所搜索的网络单元的多样性和容量，通过消减模型参数和提高网络性能，达到更强大和轻量级的超声图像分类和分割模型。

Apr, 2022

V-NAS：体积医学图像分割的神经结构搜索

本文提出了一种名为 V-NAS 的网络结构搜索方法，它可以自动判断不同情况下选择 2D、3D 或 Pseudo-3D 卷积层，该方法在医学图像分割任务中很好地表现，在 3 个公共数据集上进行评估，分别为 NIH 胰腺数据集、来自医学分割十项全能挑战的肺和胰腺数据集，无论是正常器官（NIH 胰腺）还是异常器官（MSD 肺肿瘤和 MSD 胰腺肿瘤），V-NAS 都明显优于其他先进技术，而且该搜索到的网络结构可以很好地推广到其他数据集中，并且具有鲁棒性和实用性。

Jun, 2019