[发明专利]一种用于CT图像识别的神经网络架构方法

说明书

本发明公开了一种用于CT图像识别的神经网络架构方法，包括：获取待训练的CT图像数据集，根据CT图像的类型确定候选神经网络的类型；定义神经网络的基本架构，设置该神经网络基本架构的搜索空间；搜索Cell的基本结构，采用搜索算法对神经网络架构进行搜索；采用低保真的训练集对神经网络进行训练；将CT图像数据集分为测试集和验证集，将测试集输入至神经网络，将验证集的准确率作为搜索算法的评估标准，获取最优的Cell从而得到适用于该数据集的最优架构，将最优架构作为识别算法用于CT图像伪影的识别。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种用于CT图像识别的神经网络架构方法。

背景技术

人工智能是当下学术界和产业界的一个热点，经过近几年的高速发展，深度学习已经实现了在传统的图像、视频、语音识别等领域的落地；在众多的医疗信息中，医学影像是疾病筛查和诊断、治疗决策的最主要的信息来源。深度学习应用于医疗影像的识别也成为近年来的研究热点。

大部分现有技术中直接采用现成的神经网络架构比如VGG,ResNet等来处理医学图像识别问题。因目前可用于图像处理的架构较多，采用什么样的架构需要不断地试错，而深度学习算法往往体量较大，训练时间较长，而且对参数较为敏感，因此采用现成的架构对特定的数据不一定是最合适的，另外调参需要花费大量的时间。

发明内容

根据现有技术存在的问题，本发明公开了一种用于CT图像识别的神经网络架构方法，具体包括如下步骤：

获取待训练的CT图像数据集，根据CT图像的类型确定候选神经网络的类型；

定义神经网络的基本架构，其中该神经网络的基本架构包括三个由N个Cell构成的基本模块、作为下采样结点的Residual block、作为神经网络输出的全局平均池化模块，

设置该神经网络基本架构的搜索空间；

搜索Cell的基本结构，采用搜索算法对神经网络架构进行搜索；

采用低保真的训练集对神经网络进行训练；

将CT图像数据集分为测试集和验证集，将测试集输入至神经网络，将验证集的准确率作为搜索算法的评估标准，获取最优的Cell从而得到适用于该数据集的最优架构，将最优架构作为识别算法用于CT图像伪影的识别。

进一步的，该神经网络的基本架构的搜索空间包括1×1conv、3×3conv、identity、3×3avg、avg几种基本组件。

进一步的，所述搜索算法包括强化学习、进化计算、贝叶斯优化和梯度算法。

由于采用了上述技术方案，本发明提供的一种用于CT图像识别的神经网络架构方法，该方法首先获取待处理的CT图像分析任务，并根据任务确定对应的候选网络模型，采用预设网络单元对神经网络架构搜索，以得到搜索网络模型。具体如下有益效果：采用神经网络架构搜索的方法替代原来的现成模型，神经网络架构搜索出的模型因由具体的任务而定，网络较为简洁，另外由于采用神经网络架构搜索方法搜索出的网络模型，在安全领域属于黑盒问题，因为搜索出的架构具有一定的随机性，搜索出的网络架构与现成模型存在差异，在信息安全领域属于较为安全的方法，不属于白盒攻击的问题，另外采用神经网络架构方法来设计深度学习模型，不需要具备深厚的专业计算机背景知识，这对于医疗从业者来说是有益的。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法的流程图；

图2为本发明方法的整体框架图；