[发明专利]一种基于进化神经网络模型压缩的早期胃癌图像识别方法

权利要求书

1.一种基于进化神经网络模型压缩的早期胃癌图像识别方法，其特征在于，包括以下步骤：

步骤1：采集并标注用于训练神经网络模型的早期胃癌图像数据集；

步骤2：构建神经网络检测模型，采用K-means算法对所有的早期胃癌标记区域的尺寸进行聚类，使用步骤(1)中标注的数据和反向传播算法训练早期胃癌检测神经网络模型，网络模型同时输出早期胃癌病变区域位置的矩形框的坐标值，其神经网络的前向计算过程为：

其中，设神经网络的层数为L，X∈R^mxn为训练样本集合,x_i表示第i个样本,W^l表示网络第l层的权值，f(·)表示第l层的激活函数；

步骤3：构建二值编码方式来对神经网络模型中的参数进行编码,具体包括：

(31)确定编码长度：根据神经网络识别模型中的卷积核的数量，使用一个同样长度的一维向量来表示所有待剪枝的卷积核，其中1代表保留，0代表删除；

(32)确定遗传操作：基于二值编码方式，确定进化算法所需要使用的交叉操作和变异操作，用于进行启发式搜索；

步骤4：使用进化算法对训练后的神经网络模型进行压缩，包括确定优化目标函数、设计种群初始化方法，然后通过构建的目标函数选择较优的解，其中，目标函数包括网络模型计算代价和识别误差，网络模型计算代价采用浮点运算数量(FLOPs)度量，识别误差通过在验证数据集上的目标识别分类误差的交叉熵以及识别框偏差程度的欧式距离进行量化；将网络模型计算代价和识别误差J进行加权，此处的γ设置为0.1，将加权后的代价函数作为进化算法的适应度函数：

O＝J+γ·FLOPs；

设计种群初始化方法具体包括：在开始阶段，将种群中所有的候选解都初始化为1，从而保留所有的参数；随着进化算法的运行，逐渐通过置0来修剪掉部分卷积核，实现模型压缩；

通过构建的目标函数选择较优的解具体包括：每一代进化都将当前种群中的解随机进行两两配对，并且通过上一步构造的交叉和变异操作产生新的解，每一个新产生的解需要解码为对应的剪枝后的网络模型，并且在构建的早期胃癌验证数据集上重新计算误差函数和FLOPs，进而构造一个新的种群，最后，将新的种群和之前的种群合并，根据合并后的种群中所有解的目标函数值，淘汰一半目标函数值较大的解，从而在进化过程维持一个固定大小的种群；

步骤5：微调压缩后的神经网络模型，并识别新输入的胃镜检查图像上的早期胃癌病变区域。

2.根据权利要求1所述的一种基于进化神经网络模型压缩的早期胃癌图像识别方法，其特征在于，所述步骤1中，采集并标注用于训练神经网络模型的胃镜图像数据集，包括以下步骤：

(11)录制胃镜检查视频流，筛选并裁剪出包含早期胃癌病变以及正常胃部图像的视频片段；

(12)抽取相应包含早期胃癌病变区域的视频帧，并随机抽取正常胃部的视频帧；

(13)使用矩形对病变区域进行标注，并且对病变和正常视频帧分别进行图像级别标注；

(14)将标注后的数据集划分成训练集、验证集、测试集三个部分。