医療画像セグメンテーションのための埋め込み型適応細胞（IAC）の効率的探索

Abstract

目的: 適応的スキップモジュールは医用画像セグメンテーションを改善できますが、その探索は計算コストが高くつきます。埋め込み可能な適応セル（IAC）は、U-Netのスキップ接続に挿入されるコンパクトなNASモジュールであり、フルネットワークのNASと比べて探索空間を削減します。しかし、元のIACフレームワークでは、バックボーンとデータセットごとに200エポックの微分可能探索が依然として必要です。 方法: 公開されている医用画像セグメンテーションのベンチマークに対する微分可能探索の間、IACセル内の操作とエッジの時間的挙動を解析しました。その結果、最終的な離散セルで選択される操作は通常、学習初期に最も有力な候補の中から現れ、アーキテクチャパラメータは最終エポックのかなり前に安定することが分かりました。これに基づき、エッジごとの操作重要度の分布を追跡し、探索中に重要度の低い操作を段階的に剪定する、Jensen--Shannonダイバージェンスに基づく安定性基準を提案します。加速されたフレームワークはIAC-LTHと呼びます。 結果: 4つの公開ベンチマーク（ACDC、BraTS、KiTS、AMOS）と、複数の2-D U-Netバックボーン、さらに2-D nnU-Netパイプラインにおいて、IAC-LTHは、患者レベルのセグメンテーション性能が元のフルレングス探索で見つかったセルに一致し、場合によってはそれをわずかに上回るIACセルを発見しました。一方で、壁時計ベースのNASコストはデータセットとバックボーン間で3.7倍から16倍まで削減しました。これらの結果は、アーキテクチャ、ベンチマーク、ならびにデータ拡張なし／データ拡張ありの両方の学習設定にわたって一貫しており、強力なアテンションベースおよび密なスキップのベースラインに対する、IAC搭載U-Netsの利得も維持しています。 結論: 競争力のあるIACアーキテクチャは、全探索を実行せずとも、早期に安定化する操作から特定できるため、現実的な計算制約の下での医用画像セグメンテーションにおける適応的スキップモジュール設計がより実用的になります。