[发明专利]用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法

说明书

本发明公开了一种用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法，属于医学图像信息智能处理领域，首先输入婴幼儿脑病历图像数据，对图像预处理，并根据DMPGA‑FCN网络权值长度L对参数进行遗传编码初始化；然后将m个个体随机划分至遗传原生子种群Pop中并衍生孪生子种群Pop′，子种群在不相交区间确定各自交换概率p_c和变异概率p_m，使用遗传算子寻找最优初始权值fa；其次将fa作为前向传播计算参数，并在特征地址featuremap上做加权Q操作；最后将婴幼儿脑病历预测图像与标准分割图进行逐像素交叉熵损失计算从而反向更新权值，最终得到婴幼儿脑病历图像分割网络模型的最优权值。本方法能提高婴幼儿脑病历图像分割效率，对婴幼儿脑病的早期正确诊断和患儿脑病的康复具有重要意义。

技术领域

本发明涉及到医学图像信息智能处理领域，具体来说涉及一种用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法。

背景技术

婴幼儿期是大脑发育的关键时期，不仅发育快、而且可塑性强，罹患各种脑病的几率也大大高于成人或其他成长时期。近年来，高危儿和极低体重儿生存几率的大幅度提高，婴幼儿脑部疾病的发生率呈现上升趋势，早期诊断具有较大困难。因此积极探索婴幼儿脑病的计算机智能辅助早期诊断方法，对婴幼儿脑疾病的诊断和评估具有重要意义。

近年来随着带注释数据量的快速增大和图形处理器单元性能的巨大提升，全卷积神经网络的研究迅速兴起，在图像分割应用领域具有较好的优势。但由于婴幼儿脑病历图像具有分辨率低，图像的灰度不均匀性等特征，采用传统的全卷积神经网络方法对婴幼儿脑病历图像进行分割时,容易出现梯度下降、算法易陷入局部最优解和图像特征信息无法有效保留等显著问题，导致这些方法在婴幼儿脑病历图像分割时出现耗时多、训练难、精度低等问题，从而不能获取高准确度的婴幼儿脑病历分割图像。

发明内容

本发明的目的是提供一种用于婴幼儿脑病历图像分割并具有较高效率和准确度的全卷积遗传神经网络方法，该方法能大大降低了运行时间，提升图像分割时的精度，为相关婴幼儿脑脑疾病的临床诊断和治疗提供重要的影像特征依据。

本发明通过以下的技术方案实现的：

一种用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法，具体步骤如下：

步骤1，输入婴幼儿脑病历图像，对婴幼儿脑病历图像进行灰度处理和增强处理，然后使用图像标记工具Image Labeler给婴幼儿脑病历图像进行标签，训练集为X＝(x₁,x₂,...,x_n),n＝1,2,3,...，标签集为B＝(b₁,b₂,...,b_n),n＝1,2,3,...，将婴幼儿脑病历图像对应的标签保存到真实值矩阵y_true中；

步骤2,对婴幼儿脑病历图像使用的全卷积遗传神经网络权值参数进行双线性插值初始化f(i,j)，具体计算方式公式(1)所示：

f(i,j)＝w₁×p₁+w₂×p₂+w₃×p₃+w₄×p₄ (1)

式中，p_i为最近的四个像素点，其中，i＝1,2,3,4,，w_j为各点相应权值，其中，j＝1,2,3,4；

采用二进制编码生成m个编码长度为L的染色体，L的计算方式如下公式(2)所示：

L＝F×F×D×N (2)

式中，L为遗传染色体编码长度，F为卷积核尺寸，N为卷积核个数，D为卷积层的深度；