用于三维生物医学图像分类的神经网络架构搜索

摘要 三维医学图像分类对于提高诊断准确性和治疗计划制定至关重要，但由于体积数据的复杂性和多样性，面临诸多挑战。虽然三维卷积神经网络（3D CNN）提供了潜在解决方案，但设计有效的架构既复杂又资源密集。神经网络架构搜索（NAS）自动化了这一过程，针对特定任务优化网络设计，从而提升模型性能。本研究提出了PBC-NAS方法在三维医学图像分类上的新扩展，旨在平衡预测准确性与模型复杂性。我们重点通过神经架构搜索优化神经网络架构，使用来自MedMNIST3D的六个不同三维数据集，包括OrganMNIST3D、NoduleMNIST3D、FractureMNIST3D、AdrenalMNIST3D、VesselMNIST3D和SynapseMNIST3D，这些均源自真实临床影像数据集。我们将本方法与最先进的手工网络、AutoML框架及近期NAS研究在预测性能和模型复杂性上进行了比较。提出的NAS方法表现优于最先进的手工网络和AutoML框架。我们提出的模型（Ours #3 ^）在三次独立运行中取得最高平均曲线下面积（AUC）0.915和准确率（ACC）0.847，优于所有手工设计网络和AutoML框架。与其他基于NAS的方法相比，所有提出的模型均达到更高的平均AUC分数，且值得注意的是，它们不依赖于数据增强、预处理或特征选择，而竞争的NAS方法在训练中确实使用了数据增强。研究还突出了计算复杂度的显著降低，相较于ResNet模型，FLOPs减少高达45.51倍，参数减少高达211倍。消融研究表明，虽然对一个数据集优化的模型微调后可在其他数据集上取得竞争性结果，但针对特定数据集的NAS对于达到最佳性能至关重要。尽管如此，消融结果在平均AUC和ACC上仍优于ResNet和AutoML框架。研究总结，所提NAS方法有效优化了复杂三维医学图像分类任务的神经网络架构，实现了无需数据增强的最先进性能。