[发明专利]一种可自动定制的医学病灶检测架构及方法

权利要求书

1.一种可自动定制的医学病灶检测架构，包括：

候选特征提取模块，用于对输入的医学图像进行特征提取，提取出图像的候选特征；

病灶检测网络头部自动定制模块，用于根据医学图像特性、病灶特征和目标检测的相关知识，定义新的搜索空间，所述搜索空间包括具有灵活感受野、跳层连接子网络架构的先进操作，并增加一个非局部操作，将候选区域间的感知关系合并在一起，根据候选特征并利用可微NAS算法在设计的搜索空间中搜索合适的操作和连接方式使其组成一个适合医学图像的最佳病灶检测网络头部；

病灶检测网络头部最优模块，为所述病灶检测网络头部自动定制模块定制的最佳病灶检测网络头部，将所述候选特征提取模块输出的候选特征，首先经过一个卷积核为3×3的卷积层，然后经过一个标准细胞和两个收缩细胞得到新的候选特征，并通过两个连接层对新的候选特征进行二元分类和预测框回归，将二元分类中候选特征分类的权重M作为高层次语义信息输出至知识迁移模块；

知识迁移模块，在最佳病灶检测网络头部学习到的区域关系图的基础上，结合语义关系，并在不同的区域内传递相关的上下文信息，以得到一个增强的候选特征，并将增强后的候选特征和原来的候选特征合并在一起去共享多种病灶类型的相关信息，最后通过全连接层进行多元分类和回归；

所述搜索空间包括以下9种操作：1)无连接；2)跳层连接；3)3×3的平均池化；4)非局部；5)1×3和3×1的卷积；6)3×3的深度可分离卷积；7)5×5的深度可分离卷积；8)膨胀率为3的3×3空洞卷积；9)膨胀率为5的3×3空洞卷积；

在所述可微NAS算法中，首先需要根据任务设计合适的搜索空间，然后定义搜索的模块，包括标准细胞模块和收缩细胞模块，其中标准细胞模块步长为1，以保持输出与输入同等的分辨率，同时通道数不变，收缩细胞模块步长为2，将分辨率降低一半，同时将通道数翻倍，每个模块即细胞看做一个有向无环图，定义其分支数，每个分支表示一个特征图，分支间的连接方式表示操作；每一条分支有两个来自之前分支的输入和一个输出，在完成定义之后，进行初始化设置，同时通过softmax函数使其离散结构连续化，之后利用梯度下降算法进行梯度回传更新其权值，最后在经过一定时间的搜索之后，首先在9种操作连接中保留权值最大的一个操作，即由一个密集连接变成稀疏连接，然后选择权值最大的两个连接作为该分支的输入，并将它们的结果合并作为输出。

2.如权利要求1所述的一种可自动定制的医学病灶检测架构，其特征在于：搜索空间的9种操作的具体定义如下：

1)无连接操作：分支之间没有连接；

2)跳层连接操作：分支直接连接，没有经过任何操作；

3)3×3的平均池化操作：池化核大小为3×3的平均池化；

4)1×3和3×1的卷积操作：一层ReLU激活层，一层卷积核为1×3的卷积层，一层批归一化层，一层ReLU激活层，一层卷积核为3×1的卷积层，一层批归一化层；

5)3×3的深度可分离卷积操作：一层ReLU激活层，一层卷积核为3×3的卷积层，一层卷积核为1×1的卷积层，一层批归一化层，一层ReLU激活层，一层卷积核为3×3的卷积层，一层卷积核为1×1的卷积层，一层批归一化层；

6)5×5的深度可分离卷积操作：一层ReLU激活层，一层卷积核为5×5的卷积层，一层卷积核为1×1的卷积层，一层批归一化层，一层ReLU激活层，一层卷积核为5×5的卷积层，一层卷积核为1×1的卷积层，一层批归一化层；

7)膨胀率为3的3×3空洞卷积操作：一层ReLU激活层，一层卷积核为3×3且膨胀率为3的卷积层，一层卷积核为1×1的卷积层，一层批归一化层；

8)膨胀率为5的3×3空洞卷积操作：一层ReLU激活层，一层卷积核为3×3且膨胀率为5的卷积层，一层卷积核为1×1的卷积层，一层批归一化层；

9)非局部操作：其目的是对与目标检测相关的区域候选之间的语义信息进行编码。