Hücre-damar segmentasyonunda kullanılan derin sinir ağı modellerinin hiper-parametre optimizasyonu

Derin sinir ağları (DSA), medikal görüntülerin segmentasyonu için önemli bir araçtır. Ancak, DSA'ların performansı, seçilen mimari ve hiper parametrelere bağlıdır. Bu hiper parametreler manuel olarak seçilebilir, ancak bu zaman alıcı ve zor olabilir. Bu nedenle, Sinir Mimarisi Arama (NAS) yöntemleri geliştirilmiştir. Bu çalışmada ilk olarak, UNAS-Net adlı yeni bir NAS yöntemi önerilmiştir. UNAS-Net, Diferansiyel Evrim (DE) ve Yerel Arama (LS) gibi meta-sezgisel yöntemlerle optimize edilmiştir. Önerilen yöntem, Optofil ve Hücre Çekirdeği veri kümeleri üzerinde test edilmiş ve U-Net mimarisinden segmentasyon performansı ve hesaplama karmaşıklığı açısından daha iyi performans sergilemiştir. İkinci olarak, beyin damarı segmentasyonu için diferansiyel evrim tabanlı NAS yaklaşımları önerilmiştir. Bu yaklaşımlar, medikal görüntü segmentasyonunda yaygın olarak kullanılan U-Net ve Attention U-Net ağlarını temel almıştır. Arama yöntemi olarak, Geleneksel DE ve karşıtlık tabanlı diferansiyel gelişim (ODE) yöntemleri seçilmiştir. Deneyler, vesseINN ve KUVESG olmak üzere iki farklı herkese açık beyin damar segmentasyonu veri kümesi üzerinde gerçekleştirilmiştir. Önerilen yöntemler, farklı segmentasyon metrikleri açısından daha iyi segmentasyon performansı sağlamış ve temel yöntemlere göre 9.15 kat daha karmaşık mimariler üretmiştir. Retina damar segmentasyonu (RDS), retina hastalıklarının belirlenmesine ve izlenmesine yardımcı olduğu için medikal görüntü analizinde çok önemlidir ve otomatik yöntemlere ihtiyaç duyulmaktadır. Üçüncü olarak, RDS problemi için yüksek segmentasyon performansına ve daha düşük çıkarım süresine sahip mimarileri keşfeden yeni bir NAS yöntemi önerilmiştir: MedUNAS. En iyi ağ yapısını aramak için ODE ve genetik algoritma (GA) yöntemleri kullanılmış ve ayrıca ayrık ve sürekli kodlama stratejileri karşılaştırılmıştır. Önerilen yöntemler, 15 kata kadar daha az parametreye sahip ağlarla dört veri kümesinde temel U-Net'ten daha iyi performans göstermiştir. Ayrıca, oluşturulan ağların yeni medikal görevlere etkili bir şekilde uyarlanabileceği ortaya konulmuştur. Son olarak, tahmin ediciler ile NAS sürecinin birlikte gerçekleştirildiği BaDENAS yaklaşımı önerilmiş ve RDS problemi için test edilmiştir. Sonuçlar, BaDENAS'ın temel alınan yöntemleri model karmaşıklığı, segmentasyon performansı ve yakınsama hızı açısından iyileştirdiğini ortaya koymuştur.