Recherche d'architecture neurale pour la classification d'images biomédicales 3D

Résumé La classification d'images médicales 3D est cruciale pour améliorer la précision du diagnostic et la planification du traitement, mais elle rencontre des défis en raison de la complexité et de la variabilité des données volumétriques. Bien que les réseaux neuronaux convolutifs 3D offrent des solutions potentielles, la conception d'architectures efficaces est complexe et gourmande en ressources. La recherche d'architecture neurale automatise ce processus, optimisant les conceptions de réseaux pour des tâches spécifiques, améliorant ainsi la performance des modèles. Cette étude présente une extension novatrice de la méthode PBC-NAS pour la classification d'images médicales 3D, visant à équilibrer la précision de prédiction et la complexité du modèle. Nous nous concentrons sur l'optimisation des architectures de réseaux neuronaux à l'aide de la recherche d'architecture neurale pour six ensembles de données 3D différents issus de MedMNIST3D, incluant OrganMNIST3D, NoduleMNIST3D, FractureMNIST3D, AdrenalMNIST3D, VesselMNIST3D, et SynapseMNIST3D, dérivés de bases de données cliniques réelles d'imagerie. Nous avons comparé notre méthode aux réseaux façonnés à la main de pointe, aux cadres AutoML et aux études NAS récentes en termes de performance de prédiction et de complexité du modèle. Les méthodes NAS proposées démontrent une performance supérieure aux réseaux façonnés à la main de pointe et aux cadres AutoML. Notre modèle proposé (Ours #3 ^) atteint la plus haute Aire Sous la Courbe (AUC) moyenne de 0,915 et une précision (ACC) de 0,847 (meilleur résultat sur trois exécutions indépendantes), surpassant tous les réseaux façonnés à la main et cadres AutoML. Comparé aux autres méthodes basées sur NAS, tous les modèles proposés obtiennent des scores AUC moyens plus élevés, et il est important de noter qu'ils ne dépendent pas de l'augmentation de données, du prétraitement ou de la sélection de caractéristiques, contrairement aux méthodes NAS concurrentes qui utilisent l'augmentation de données durant l'entraînement. L'étude souligne également des réductions significatives de la complexité informatique, avec des FLOPs réduits jusqu'à 45,51 fois et des paramètres jusqu'à 211 fois comparés aux modèles ResNet. Une étude d'ablation révèle que, bien que le réglage fin d'un modèle optimisé pour un ensemble de données puisse obtenir des résultats compétitifs sur d'autres ensembles, la NAS spécifique aux ensembles est cruciale pour une performance optimale. Malgré cela, les résultats d'ablation surpassent toujours les ResNets et les cadres AutoML en termes d'AUC et d'ACC moyens. L'étude conclut que l'approche NAS proposée optimise efficacement les architectures des réseaux neuronaux pour des tâches complexes de classification d'images médicales 3D, atteignant une performance à la pointe sans augmentation de données.