[发明专利]基于任务自适应神经网络架构搜索的肿瘤图像检测方法

说明书

本申请提供了一种基于任务自适应神经网络架构搜索的肿瘤图像检测方法，在小样本场景下，通过对样本结构参数和网络参数的设计和训练，获得神经网络模块；再利用拟检测肿瘤图像的检测任务信息对该神经网络模块的结构参数进行修正，获得与检测任务适配的任务自适应神经网络。将其用作拟检测肿瘤图像的特征提取网络，用于获得提取的肿瘤图像的目标域，以及提取出上述目标域的多通道特征向量。进而采用级联多目标检测方法对上述多通道特征向量进行处理后，即可获得拟检测肿瘤图像的推荐检测框以及相关的检测任务信息。本申请较之现有预训练卷积神经网络具有更好的鲁棒性，能够高效适配各类肿瘤图像检测场景，实现智能化辅助检测。

技术领域

本申请涉及计算机技术领域，尤其是涉及一种基于任务自适应神经网络架构搜索的肿瘤图像检测方法。

背景技术

随着深度学习技术在计算机辅助诊断系统的广泛应用，基于深度卷积神经网络的图像检测技术已经在肿瘤图像检测方法中得到了迅速发展。目前，基于预训练的深度卷积神经网络技术已较为成熟，其被广泛应用于各类目标检测任务中。为保证检测精度，基于预训练的深度卷积神经网络需要大量的专家工作量对深度卷积网络的具体架构进行手工设计；同时，还需要采用大规模的数据集对上述深度卷积网络进行预训练。若将其应用于临床医学的各种图像检测，一方面，由于涉及的图像采集设备差异、患者隐私等因素，难以获得稳定的、大规模数据集，另一方面，临床医学图像的诊疗意义重大，对图像中的特征、指标的评价标准复杂、多样，特征或评价标准的变动都将导致上述深度卷积网络检测精度的急剧降低。因此，基于预训练的深度卷积神经网络方法无法很好地适配目前临床医学图像检测情况，特别是肿瘤图像检测。

发明内容

本申请的目的在于提供一种基于任务自适应神经网络架构搜索的肿瘤图像检测方法，以同类型设备可获取的较少的肿瘤检测信息为基础，通过元学习训练方式构建任务自适应神经网络模块，并由该任务自适应神经网络模块针对拟进行的肿瘤图像检测任务衍生堆叠出结构各异的卷积神经网络，进而获取拟进行的肿瘤图像检测任务信息，配合级联多目标检测网络，对各检测场景进行自动适配，实现智能化辅助检测，以助力专家提高诊断效率。

本申请所提供的基于任务自适应神经网络架构搜索的肿瘤图像检测方法，具体包括以下步骤：

S1.以已有肿瘤图像检测信息设计并训练网络模块的结构参数和网络参数，得到任务自适应神经网络模块；

S2.利用拟检测肿瘤图像的检测任务调整步骤S1得到的任务自适应神经网络模块的结构参数，获得与拟检测肿瘤图像的检测任务相适配的任务自适应神经网络；

S3.采用步骤S2获得的任务自适应神经网络作为特征提取网络，用于处理拟检测肿瘤图像，输出拟检测肿瘤图像目标域的多通道特征向量；

S4.整合步骤S3多通道特征向量后，输入至三层级联的多目标检测网络，得到拟检测肿瘤图像的检测框以及检测任务结果。

本申请步骤S1中使用的肿瘤图像样本量极少，每一类别病灶仅需一张样本即可。通过对样本结构参数和网络参数的设计和训练，在小样本场景下获得神经网络模块；再利用拟检测的肿瘤图像检测任务信息对该神经网络模块的结构参数进行修正，进而不断衍生出对应结构的卷积神经网络。上述卷积神经网络堆叠，从而形成具有任务自适应能力的神经网络模型。将该神经网络模型用作拟检测肿瘤图像的特征提取网络，用于获得提取的肿瘤图像的目标域，以及提取出上述目标域的多通道特征向量。进而采用级联多目标检测方法对上述多通道特征向量进行处理后，即可获得拟检测肿瘤图像的推荐检测框以及相关的检测任务信息。

本申请的一个实施例中，步骤S1具体包括：

S11.定义网络模块内的节点，并设定运算方式和系数；

S12.步骤S11定义的节点间的连接存在综合操作，该综合操作包括若干步骤S11设定的运算方式，将运算方式所对应的系数采用加权平均法进行处理，从而将节点的连接形式转换成连续的参数，得到结构参数；