本文介绍了一项关于医学图像分割的研究，题为《NAS-Unet: Neural Architecture Search for Medical Image Segmentation》，由Yu Weng、Tianbao Zhou、Yujie Li和Xiaoyu Qiu共同完成，分别来自中央民族大学信息工程学院、扬州大学信息工程学院和山东中医药大学图书馆。该研究于2019年4月4日发表在《IEEE Access》期刊上，得到了中国国家自然科学基金和国家重点研发计划的支持。
医学图像分割是医学图像分析中的关键步骤，旨在从医学图像中提取出感兴趣的区域，为临床诊断和病理研究提供可靠依据。随着深度学习的发展，卷积神经网络（CNN）在图像分割任务中表现出色，尤其是U-Net及其变体在医学图像分割中取得了显著成功。然而，设计一个高效的神经网络架构通常需要大量的领域知识和时间成本。为了减少人工设计网络架构的负担，神经架构搜索（NAS）应运而生。NAS通过自动化搜索最优的网络架构，能够显著提高图像分类任务的准确性。然而，NAS在医学图像分割领域的应用尚处于初步探索阶段。本文首次尝试将NAS应用于医学图像分割，旨在通过自动化搜索找到适合医学图像分割的网络架构。
本文提出了一种名为NAS-Unet的网络架构，基于U-Net的架构设计，通过神经架构搜索自动生成下采样单元（DownSC）和上采样单元（UpSC）。具体流程如下：
搜索空间设计：本文设计了三种类型的原始操作集，用于构建下采样和上采样单元的搜索空间。这些操作集包括卷积、池化、跳跃连接等操作，并通过深度可分离卷积（depthwise-separable convolution）和通道加权操作（cweight operation）来减少参数量并提高性能。
架构搜索策略：本文采用了一种基于差分架构搜索的策略，通过构建一个超参数化的网络，使用二进制门（binary gate）来加速搜索过程。具体来说，搜索过程中每个边都关联了多个候选操作，通过梯度下降法更新架构参数，最终选择性能最优的路径。
网络架构生成：搜索完成后，生成由下采样单元和上采样单元堆叠而成的NAS-Unet网络。该网络在Pascal VOC 2012数据集上进行搜索，并在多个医学图像数据集（如Promise12、CHAOS和超声神经数据集）上进行评估。
本文在三个医学图像数据集上评估了NAS-Unet的性能，分别是Promise12（前列腺MRI图像）、CHAOS（腹部CT和MRI图像）和超声神经数据集。实验结果表明，NAS-Unet在所有数据集上均优于U-Net及其变体FC-DenseNet，且参数量仅为U-Net的6%。具体结果如下：
Promise12数据集：NAS-Unet在验证集上的Dice相似系数（DSC）和平均交并比（mIoU）均优于基线方法，且训练时间和GPU内存消耗较低。
CHAOS数据集：NAS-Unet在CT和MRI图像上的分割性能均优于基线方法，尤其是在MRI图像上，通过重新加权类别损失函数，解决了类别不平衡问题。
超声神经数据集：NAS-Unet在超声图像上的分割性能同样优于基线方法，且通过去除矛盾图像（contradictory images）进一步提高了模型的鲁棒性。
本文的主要贡献包括： 1. 首次将NAS应用于医学图像分割，提出了一种基于U-Net架构的自动化搜索方法。 2. 设计了三种原始操作集，用于构建下采样和上采样单元的搜索空间，并通过通道加权操作替代了传统的跳跃连接，进一步提高了分割精度。 3. NAS-Unet在多个医学图像数据集上表现出色，参数量显著减少，且无需预训练即可达到较高的分割精度。
本文通过神经架构搜索技术，提出了一种高效的医学图像分割网络NAS-Unet。该方法不仅减少了网络参数量，还在多个医学图像数据集上取得了优于传统方法的性能。该研究为医学图像分割领域提供了一种新的自动化解决方案，具有重要的科学价值和应用前景。