一种可自动定制的医学病灶检测架构及方法技术

本发明专利技术公开了一种可自动定制的医学病灶检测架构及方法，该检测架构包括：候选特征提取模块，对医学图像进行特征提取；病灶检测网络头部自动定制模块，定义搜索空间将候选区域间的感知关系合并在一起，并利用可微NAS算法得到最佳病灶检测网络头部；病灶检测网络头部最优模块，利用一卷积层，并经过一个标准细胞和两个收缩细胞得到新的候选特征，通过两连接层对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，结合语义关系并在不同的区域内传递相关的上下文信息，得到增强的候选特征，并将增强的候选特征和原候选特征合并，最后通过全连接层进行多元分类和回归。

An automatic customized framework and method of medical focus detection

The invention discloses a medical focus detection architecture and method which can be customized automatically, the detection architecture includes: candidate feature extraction module, which can extract the features of medical images; focus detection network head automatic customization module, which can define search space to combine the sensing relationship between candidate areas, and use micro NAS algorithm to get the best focus detection network head; focus detection It detects the optimal module of network head, uses a convolution layer, and obtains new candidate features through a standard cell and two contractive cells. It classifies the candidate features and regresses the prediction box through two connection layers, and outputs the weight m of candidate feature classification as high-level semantic information to the knowledge transfer module. The knowledge transfer module combines the semantic relationship and outputs the information to the knowledge transfer module In different regions, relevant context information is transferred to get enhanced candidate features, and the enhanced candidate features and the original candidate features are combined. Finally, multiple classification and regression are carried out through the full connection layer.

【技术实现步骤摘要】
一种可自动定制的医学病灶检测架构及方法
本专利技术涉及图像识别、目标检测和深度学习等
，特别是涉及一种可自动定制的医学病灶检测架构及方法。
技术介绍
目标检测任务是找出图像中所有感兴趣的目标，并确定它们的位置和大小。医学病灶检测任务是找出医学图像中所有的病灶，并确定病灶的位置和大小；这是计算机辅助检测/诊断(CADe/CADx)的重要前提。目前，随着深度学习算法，特别是卷积神经网络(CNN)的快速发展，给医学病灶检测带来了显著的进展。然而，目前大多数方法都是直接将自然图像的各种CNN预训练目标检测模型如RetinaNet、基于区域的全卷积网络(R-FCN)等，用于医学图像的病灶检测；但是，由于医学图像和自然图像存在着巨大的领域差异，医学病灶检测会存在如病灶与背景高相似性、病灶类别不均等和以小病灶为主等该领域特定的挑战，所以，直接使用传统自然图像检测模型的方法性能受限，会因上述存在的挑战而导致性能降低。因此，定制专门用于医学病灶检测的网络架构是非常必要的。最近，神经架构搜索(NeuralArchitectureSearch，NAS)本文档来自技高网...

【技术保护点】
1.一种可自动定制的医学病灶检测架构，包括：/n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；/n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，所述搜索空间包括大量具有灵活感受野、跳层连接等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；/n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...

【技术特征摘要】
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，所述搜索空间包括大量具有灵活感受野、跳层连接等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。


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：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。


3.如权利要求2所述的一种可自动定制的医学病灶检测架构，其特征在于：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，在完成上述搜索定义之后，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。


4.如权利要求3所述的一种可自动定制的医学病灶检测架构，其特征在于：所述9种候选操作集合具体定义如下：
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...

【专利技术属性】
技术研发人员：梁小丹，王绍菊，林冰倩，林倞，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44