利用Shapley引导的自适应跳接模块剪枝方法提升预训练U-Nets的医学图像分割性能

《Scientific Reports》：Improving medical image segmentation in pre-trained U-Nets using Shapley-guided pruning of adaptive skip-connection modules

　　

摘要

神经网络架构搜索（NAS）能够提升医学图像的分割效果，但其实际应用受到计算成本以及所发现架构不稳定性的限制，尤其是在应用于预训练模型和数据量有限的情况下。我们提出了基于Shapley值的剪枝方法，作为针对预训练U-Nets的实用型验证引导式NAS改进方案。该方法并未创建新的NAS架构体系，而是保留了IAC搜索空间和PC-DARTS风格的超网优化机制，同时通过利用在保留的验证数据上计算得到的Shapley值估计来逐步进行剪枝。通过不断移除影响较小的组件，同时保留已学习的架构参数，该方法降低了搜索空间的复杂度，提升了最终离散架构的可靠性。我们在四个公开基准测试集（ACDC、BraTS、KiTS和AMOS）上进行了测试，实验在控制好的2D切片格式、\(128\times 128\)分辨率、单GPU环境下进行。实验结果表明，与现有优秀方法相比，该方案在大多数测试中都能取得同等或更好的性能，搜索速度可提升至原来的四倍，并且在不同实验次数中的结果更为稳定。这些研究结果证明了，在资源受限的情况下，基于Shapley值的剪枝方法是一种实用的NAS改进手段，不过它并不意味着该方案能在临床应用中直接与高分辨率或全3D分割技术相竞争。