Page 114 - 《软件学报》2024年第4期

1692 软件学报 2024 年第 35 卷第 4 期

表 2 NAS 在脑结构数据分析中的代表性工作(续)
作者 搜索策略 数据集 数据类型 脑数据样本数量
[6]
Huang QY, et al. 梯度搜索 Calgary-Campinas-359 dataset sMRI 脑数据: 35
Yan JP, et al. [47] 梯度搜索 fastMRI dataset sMRI 脑数据: 150
Eslahi SV, et al. [48] 进化算法 fastMRI dataset sMRI 脑数据: 1250
Chen HZ, et al. [46] 强化学习 ISBI 2019/2020 MRI White Matter dMRI −
Reconstruction Challenge
Hu XB, et al. [45] 梯度搜索 1. BraTS 2018 sMRI 65 名胶质瘤患者
2. IXI
sMRI
600 名正常被试
Kim SW, et al. [49] 梯度搜索 MSD sMRI 脑肿瘤数据: 484
Bae W, et al. [57] 梯度搜索 MSD sMRI 脑肿瘤数据: 750
Wong KCL, et al. [50] 梯度搜索 T1-weighted MP-RAGE images sMRI 脑数据: 43
[5]
Guo DZ, et al. 梯度搜索 1. H&N 42 OARs CT 脑数据: 142
2. MICCAI2015
Wang FF [51] 梯度搜索 BraTS 2019 sMRI 460 名被试
Yu QH, et al. [58] 进化算法+ MSD sMRI 脑数据: 1144
梯度搜索
Calisto MB, et al. [59] 进化算法+ MSD sMRI 海马区域图像: 260
梯度搜索
He YF, et al. [52] 梯度搜索 MSD sMRI 脑数据: 484
Milesi A, et al. [53] 梯度搜索 BraTS 2021 sMRI 脑数据: 2000
Peng C, et al. [54] 梯度搜索 MSD sMRI 脑数据: 281
Xiang TG, et al. [55] 梯度搜索 MSD sMRI 195 名被试
Ye XH, et al. [56] 梯度搜索 1. MICCAI 2015 CT 1.48 名被试
2. StructSeg 2019
CT
2.60 名被试
Tchetchenian A, et al. [60] 梯度搜索 TractSeg dataset dMRI 105 名被试
Chitnis S, et al. [61] 梯度搜索 Kaggle sMRI 脑数据: 3264
• 图像重建
脑结构图像重建是指基于原始脑结构数据进行采样来重建或生成高分辨率脑结构形态图像的过程. 随着
深度神经网络在脑结构图像重建任务中的广泛应用, 越来越多的研究尝试把 NAS 引入到图像重建任务中. 传
统脑结构图像采样技术受限于感受野大小, 重建过程效率低下, 重建质量不尽人意.
目前, NAS 在基于 sMRI、dMRI 等的图像重建任务中具有广泛的尝试和应用 [45,46] . 利用 NAS 的方法可以
避免人类手工设计网络结构的局限, 可以自动化地选择适合脑影像重建任务的网络结构, 从而提高模型的重
建性能 [47] . 此外, NAS 可以帮助自动地定位出这些关键区域, 从而在脑影像重建任务中提升重建质量.
[6]
在基于 NAS 进行图像重建研究的早期阶段, Huang 等人 提出了一种利用残差设计基本模块的搜索方法.
对于每个基本块中的单元使用 NAS 技术自动选择候选操作中的最佳操作, 有助于防止梯度消失问题. Yan 等
人 [47] 则引入 NAS 来解决压缩感应 MRI(compressed sensing-MRI)的问题, 以可微的方式从预定义的操作搜索
空间中自动搜索重建模型架构. 与之前最先进的方法相比, NAS 搜索得到的网络可以产生更好的 sMRI 重建效
果, 且消耗的计算资源降低了约 60%.
接着, 为了减少 sMRI 扫描所产生的运动伪影, Eslahi 等人 [48] 利用 NAS 优化后的深层神经网络从欠采样数
据中进行 sMRI 重建. 结果表明, 基于 NAS 搜索优化后的模型架构远优于人工设计的 sMRI 重建模型. Chen
等人 [46] 首次把 NAS 引入到 dMRI 的重建研究中, 发现: 通过 NAS 设计的多层感知机可以大大减少对脑白质
纤维束的示踪成像预测误差, 并在不同的 MRI 采集策略下具有鲁棒性.
另一方面, 为了解决临床实践中难以获得完整多模态 MRI 的困境, Hu 等人 [45] 提出了一种新型的 MRI 合
成器 AutoGAN-Synthesizer. 该研究基于梯度的搜索策略, 自动搜索合成器的输出架构, 以优化跨模态的 MRI
合成过程. 该架构可以更高效地融合多分辨率特征, 并利用基于 GAN 的感知搜索损失来处理模型在复杂性和
性能之间的平衡问题. 在搜索效率上, AutoGAN-Synthesizer 只需 12 个 GPU 小时就能搜索到一个 6.31Mb 参数
的轻量且具有显著性能提升的网络架构.