摘要
近年来，神经架构搜索（Neural Architecture Search, NAS）已被应用于自动搜索适用于医学图像分割的高性能网络。传统的NAS搜索空间通常包含两个层级：网络拓扑层级（控制不同空间尺度单元之间的连接关系）和单元层级（每个单元内部的操作选择）。现有方法要么在大规模三维（3D）医学图像数据集上需要较长的搜索时间，要么受限于预定义的网络结构（如U型结构或单路径结构）。针对三维医学图像分割中的NAS，本文聚焦于三个关键问题：灵活的多路径网络拓扑设计、高效的搜索机制以及受预算约束的GPU显存使用。为此，本文提出一种新型可微分搜索框架，能够在高度灵活的网络拓扑搜索空间中实现快速的基于梯度的搜索。然而，在可微分架构搜索中，对所搜索到的最优连续模型进行离散化处理时，可能会导致最终离散模型性能次优（即存在“离散化差距”问题）。为缓解该问题，本文进一步引入一种拓扑损失（topology loss）以优化离散化结果。此外，在搜索过程中，所搜索的3D模型的GPU显存占用被严格控制在预算范围内。所提出的可微分网络拓扑搜索方法（Differentiable Network Topology Search, DiNTS）在医学分割十项挑战赛（Medical Segmentation Decathlon, MSD）上进行了评估，该挑战涵盖十项具有代表性的分割任务。实验结果表明，本文方法在MSD挑战赛中取得了当前最优的性能表现，并在官方排行榜上位列第一。