AutoML论文笔记（十五）Neural Architecture Search for Gliomas Segmentation on Multimodal Magnetic Resonance I

文章题目：Neural Architecture Search for Gliomas Segmentation on Multimodal Magnetic Resonance Imaging

链接：link https://arxiv.org/pdf/2005.06338

论文内容

论文阅读笔记，帮助记忆的同时，方便和大家讨论。因能力有限，可能有些地方理解的不到位，如有谬误，请及时指正。
　近年来，随着深度学习的发展，医学影像和AI的结合也在飞速进步。胶质瘤作为脑部的常见疾病，MRI是其通用的诊断途径。常规的操作是采用Unet训练网络，本文提出了NAS在胶质瘤中的应用，分别搜索上采样和下采样的结构，在BraTS 2019数据集上进行了大量对比实验，其结果表明NAS不仅可以减轻块结构的制造压力，而且具有良好的可行性和扩展性。
　BraTS 2019中的训练集( training set) 有200多个病例，每个病例有四个模态：T1、T2、flair、t1ce——T1看结构，​T2看病变，t1ce显示瘤的位置。每个病例需要分割三个部分：whole tumor(WT), enhance tumor(ET), and tumor core(TC)。
　为了模型表现稳定，作者进行的均一化处理，除了均值方差手段外，还加了一个非线性函数：　
　作者从xyz三个方向，立体的对数据进行复合采样，并在Unet的基础上分别搜索Up-Sample Cell和Down-Sample Cell，将他们以类似于U-Net的方式堆砌起来：　
　每个Cell都有三个Node：
　其搜索空间：上下采样dilated convolution、depthwise separable convolution、shaped conv，se conv；下采样多了max pool 和 avg pool；正则操作有conv和identity。
　作者轮流训练混合参数和网络的内核参数，并额外设计了特定的loss函数。NAS搜出的结构最终在BraTS 2019数据集中的表现和人类设计的网络性能相当：