基于遗传算法与梯度下降混合搜索的医学图像分割神经网络架构优化研究

针对医学图像分割中网络设计效率低、架构多样性受限的问题，研究人员提出Mixed-GGNAS方法，通过混合手动设计模块与DARTS可微分块构建搜索空间，结合遗传算法(GA)和梯度下降(GD)协同优化模块类型与内部操作，并引入ViT多特征融合策略。实验表明该方法在四个公开数据集上性能优于或媲美现有NAS与人工设计网络，为自动化医疗影像分析提供新思路。

　　

医学图像分割是计算机辅助诊断的核心环节，传统U-Net及其变体虽取得显著成果，但依赖专家经验设计，且现有神经架构搜索(NAS)方法存在搜索效率低、架构单一等问题。尤其当Transformer引入后，固定超参数限制了模型适应性。针对这些挑战，江苏大学团队在《Expert Systems with Applications》发表研究，提出Mixed-GGNAS混合搜索框架，通过遗传算法与梯度下降的协同优化，实现医学图像分割网络的自动化高效设计。

研究采用三大关键技术：1)混合搜索空间整合手动设计模块与DARTS可微分块；2)GA-GD协同策略，GA优化模块类型，GD细化卷积尺度；3)基于ViT的多特征融合模块，通过GA动态优化Transformer超参数。实验使用四个公开医疗数据集（包括CA-MUS等），并设计多尺度混合损失函数监督训练。

混合搜索空间：突破传统NAS单一模块限制，结合ResNet、DenseNet等手动模块与DARTS可微分块，增强架构多样性。GA-GD协同搜索：GA种群进化选择最优模块组合，GD同步优化DARTS块内3×3/5×5卷积权重，实验显示该方法比纯进化算法收敛速度提升40%。多特征融合：在U-Net解码器嵌入ViT模块，通过GA优化head数量与MLP维度，在视网膜血管分割任务中使Dice系数提升2.3%。多尺度损失：联合监督解码器输出与ViT特征，增强小目标分割能力，在细胞边界分割任务中F1-score提高1.8%。

研究结果显示，Mixed-GGNAS在四个数据集上Dice系数平均达89.7%，超越Genetic U-Net等进化算法类NAS 3.1%，且搜索耗时仅为强化学习方法的1/5。消融实验证实，混合搜索空间使模型参数量减少15%的同时保持性能稳定，ViT超参数优化贡献了约1.5%的性能增益。

讨论部分指出，该方法首次实现GA与GD在医学图像分割NAS中的协同应用，其混合搜索策略为平衡架构创新性与搜索效率提供新范式。未来可扩展至3D医学图像分割，并探索更多元化的模块组合。研究获国家自然科学基金(61872168)等支持，代码已开源。