DiNTS：3次元医療画像セグメンテーションのための微分可能ニューラルネットワークトポロジーショーサル

最近、ニューラルアーキテクチャサーチ（NAS）は、医療画像セグメンテーション向けの高性能ネットワークを自動的に探索する手法として応用されている。一般的なNASの探索空間は、セル間の接続を制御するネットワークトポロジーレベル（異なる空間スケールを持つセル間の接続構造）と、各セル内の演算を制御するセルレベルから構成される。従来の手法は、大規模な3D画像データセットに対して長時間の探索を要するか、あるいは事前に定義されたトポロジー（例えばU字型や単一パス型）に限定されるという課題を抱えていた。本研究では、3D医療画像セグメンテーションにおけるNASに向けた3つの重要な側面に注目する：柔軟なマルチパス型ネットワークトポロジー、高い探索効率、およびGPUメモリ使用量の予算制約。本研究では、極めて柔軟なネットワークトポロジー探索空間内で高速な勾配ベースの探索を可能とする、新しい微分可能な探索フレームワークを提案する。微分可能スキームにおける探索された最適な連続モデルの離散化は、最終的な離散モデルがサブオプティマルになる（離散化ギャップ）という問題を引き起こす可能性がある。この問題を緩和するために、トポロジー損失関数を新たに提案する。さらに、探索中に得られた3DモデルのGPUメモリ使用量を予算制約内で制御する仕組みを導入した。本研究で提案する微分可能なネットワークトポロジー探索手法（DiNTS）は、10の挑戦的なセグメンテーションタスクを含むMedical Segmentation Decathlon（MSD）チャレンジにおいて評価された。その結果、本手法は最先端の性能を達成し、MSDチャレンジのランクイング上位に位置づけられた。