DiNTS: بحث قابل للتمييز في هيكل الشبكة العصبية للتحليل التصنيفي للصور الطبية ثلاثية الأبعاد

في الآونة الأخيرة، تم تطبيق بحث الهيكل العصبي (NAS) لاستكشاف تلقائي للشبكات عالية الأداء في مهام تقسيم الصور الطبية. وعادةً ما يحتوي فضاء البحث في NAS على مستوى هيكل الشبكة (الذي يتحكم في الاتصالات بين الخلايا ذات المقياس المكاني المختلفة) ومستوى الخلية (العمليات داخل كل خلية). تُعاني الطرق الحالية إما من وقت بحث طويل عند استخدامها مع مجموعات بيانات ثلاثية الأبعاد كبيرة الحجم، أو تكون محدودة ببنى هيكلية مُحددة مسبقًا (مثل البنية على شكل U أو المسار الواحد). وفي هذا العمل، نركز على ثلاث جوانب مهمة في بحث الهيكل العصبي لتقسيم الصور الطبية ثلاثية الأبعاد: مرونة بنية الشبكة متعددة المسارات، وكفاءة عالية في عملية البحث، واستخدام محدود لذاكرة وحدة معالجة الرسومات (GPU) ضمن حدود محددة. نُقدّم إطارًا جديدًا قابلاً للتفاضل يدعم عملية بحث سريعة تعتمد على التدرج داخل فضاء بحث مرن للغاية لبنية الشبكة. وتشير عملية التحويل من النموذج المستمر المُحسَّن إلى النموذج النهائي المنفصل (الذي يحدث في الإطارات القابلة للتفاضل) إلى وجود فجوة في التحويل (discretization gap)، ما قد يؤدي إلى نموذج منفصل غير مثالي. وللتخفيف من هذه المشكلة، نقترح خسارة هندسية (Topology Loss). بالإضافة إلى ذلك، يتم ضمان الحد من استخدام ذاكرة GPU أثناء عملية البحث من خلال قيود محددة مسبقًا. وقد تم تقييم طريقة بحث الهيكل العصبي القابلة للتفاضل لدينا (DiNTS) على منافسة مسابقة تقسيم الصور الطبية (Medical Segmentation Decathlon - MSD)، التي تضم عشرة مهام صعبة في التقسيم. وقد حققت طريقة البحث لدينا أداءً متميزًا على مستوى الحالة الحالية (state-of-the-art)، وتحتل المرتبة الأولى في قائمة التصنيف الرسمية لمسابقة MSD.