BaDENAS: Retina Damar Segmentasyonu için Bayes Tabanlı Sinir Mimarisi Arama

Abstract

Retinal damar segmentasyonu, retinal görüntülerin analizi için önemli bir görevdir ve göz hastalıklarının teşhisinde ve tedavisinde kullanılan etkili bir araçtır. Damar segmentasyonunu otomatik hale getiren U-Net gibi derin ögrenme yöntemleri ˘ bu alanda güzel sonuçlar verse de optimize edilmesi gereken birçok hiper-parametreye sahiptir. Bu hiper-parametrelerin optimizasyonu için sinir mimarisi arama işlemi yaygın olarak kullanılmaktadır. Önerilen çalışmada, BANANAS ve Diferansiyel Gelişim yöntemlerinin avantajları birleştirilerek U-¸seklindeki ağlar için yeni bir sinir mimarisi arama yöntemi önerilmiştir: BaDENAS. Çeşitli sinir mimarisi arama çalışmaları ile yapılan karşılaştırmalar sonucunda BaDENAS’ın yakınsama, segmentasyon performansı ve model karmaşıklığı açısından sonuçları iyileştirdiği görülmektedir. Aynı zamanda, önerilen yöntemin en az karmaşıklığa sahip modeli ürettiği ve diğer sinir mimarisi ˘ arama yöntemlerinden 152 kata kadar daha az parametreye sahip model ile yüksek rekabetçi sonuçlar elde edebildiği görülmektedir.

Retinal vessel segmentation is an important task for analyzing retinal images and is an effective tool used in diagnosing and treating eye diseases. Although deep learning methods like U-Net that automate vessel segmentation have shown promising results in this field, they have many hyper-parameters that need to be optimized. Neural architecture search (NAS) is commonly used to optimize these hyper-parameters. This study proposes a new neural architecture search method for U-shaped networks by combining the advantages of BANANAS and the Differential Evolution (DE) algorithm: BaDENAS. Comparisons made with various neural architecture search studies show that BaDENAS improves convergence, segmentation performance, and model complexity results. Additionally, the proposed method produces the least complex model and achieves highly competitive results, with a model having up to 152 times fewer parameters than other neural architecture search methods.