基于网络架构搜索的多谱段脑胶质瘤图像分类系统技术方案

本发明专利技术属于生物医学分子影像以及人工智能领域，具体涉及一种基于网络架构搜索的多谱段脑胶质瘤图像分类系统，旨在解决现有脑胶质瘤图像分类手段无法准确、高效分类的问题。本发明专利技术系统包括：图像获取模块，配置为获取同一脑胶质瘤组织的白光图像、近红外一区图像、近红外二区图像；图像预处理模块，配置为对近红外一区图像和近红外二区图像进行降噪、非线性映射处理；处理后，对白光图像、近红外一区图像和近红外二区图像进行分辨率调整，并通过通道维度进行图像拼接，将拼接后的图像作为多谱段脑胶质瘤图像；分类模块，配置为通过预训练的图像分类模型获取多谱段脑胶质瘤图像的类别。本发明专利技术实现了脑胶质瘤图像准确、高效的分类。

【技术实现步骤摘要】
基于网络架构搜索的多谱段脑胶质瘤图像分类系统
本专利技术属于生物医学分子影像以及人工智能领域，具体涉及一种基于网络架构搜索的多谱段脑胶质瘤图像分类系统、方法、设备。
技术介绍
脑胶质瘤占成年人恶性原发性脑瘤的75％，其中最致命的胶质母细胞瘤致死率高，严重威胁患者生存状况。脑胶质瘤的分类可以促进临床计划和预后，从而改善患者的生活。目前缺乏术中快速、准确的对脑胶质瘤图像进行分类的手段。传统的冰冻组织切片病理分析能够获得准确的等级信息，但这种方法耗时长，操作复杂，且无法处理大量样本，限制了其的应用。手工设计的神经网络在应对术中图像小规模、小分辨率、高噪声的特点时无法达到很好的效果。而网络架构搜索(NAS)是新兴的深度学习方法，它能够在特定数据集上搜寻适合这些数据的网络结构，从而比手工设计的神经网络具有更好的性能，同时也具有高效、高通量的特点。近红外荧光成像技术(包括一区700-900nm和二区1000-1700nm两个窗口)是一种新型的病灶定位方法，具有很高的临床转化潜力，其与白光成像技术相结合形成的多谱段成像方法能够提供互补的信息，本文档来自技高网...

【技术保护点】
1.一种基于网络架构搜索的多谱段脑胶质瘤图像分类系统，其特征在于，该系统包括：图像获取模块、图像预处理模块、分类模块；/n所述图像获取模块，配置为获取同一脑胶质瘤组织的白光图像、近红外一区图像、近红外二区图像；/n所述图像预处理模块，配置为对近红外一区图像和近红外二区图像进行降噪、非线性映射处理；处理后，对白光图像、近红外一区图像和近红外二区图像进行分辨率调整，并通过通道维度进行图像拼接，将拼接后的图像作为多谱段脑胶质瘤图像；/n所述分类模块，配置为通过预训练的图像分类模型获取所述多谱段脑胶质瘤图像的类别；/n其中，所述图像分类模型，其训练方法为：/nA10，获取同一脑胶质瘤组织的白光图像、近...

【技术特征摘要】
1.一种基于网络架构搜索的多谱段脑胶质瘤图像分类系统，其特征在于，该系统包括：图像获取模块、图像预处理模块、分类模块；
所述图像获取模块，配置为获取同一脑胶质瘤组织的白光图像、近红外一区图像、近红外二区图像；
所述图像预处理模块，配置为对近红外一区图像和近红外二区图像进行降噪、非线性映射处理；处理后，对白光图像、近红外一区图像和近红外二区图像进行分辨率调整，并通过通道维度进行图像拼接，将拼接后的图像作为多谱段脑胶质瘤图像；
所述分类模块，配置为通过预训练的图像分类模型获取所述多谱段脑胶质瘤图像的类别；
其中，所述图像分类模型，其训练方法为：
A10，获取同一脑胶质瘤组织的白光图像、近红外一区图像、近红外二区图像以及对应的类别真值标签，作为训练样本；
A20，执行步骤S20的图像预处理方法对白光图像、近红外一区图像、近红外二区图像进行预处理，得到多谱段脑胶质瘤图像；
A30，通过预构建的结构单元搜索网络获取所述多谱段脑胶质瘤图像的预测类别，并结合对应的类别真值标签，计算损失值，更新模型参数以及一般结构单元、下采样结构单元各节点之间的操作权重；
A40，基于更新后的操作权重对一般结构单元、下采样结构单元中各节点间的边进行剪枝；并利用剪枝后的一般结构单元、下采样结构单元构建图像分类模型；
A50，通过构建好的图像分类模型获取所述多谱段脑胶质瘤图像的预测类别，并结合对应的类别真值标签，计算损失值，更新模型参数；
A60，循环执行步骤A50，直到得到训练好的图像分类模型；
所述结构单元搜索网络包括卷积层、一般结构单元、下采样结构单元、全局平均池化层、全连接层；其中，所述一般结构单元、所述下采样结构单元均包含两个输入节点，四个中间节点以及一个输出节点；所述一般结构单元用于卷积处理。


2.根据权利要求1所述的基于网络架构搜索的多谱段脑胶质瘤图像分类系统，其特征在于，所述图像分类模型其结构从上到下依次包含一个卷积层、二十个一般结构单元、三个下采样结构单元、一个全局平均池化层、一个全连接层；其中，五个一般结构单元为一组，分为四组，组与组之间间隔一个下采样单元；第三组一般结构单元分为两个小组，第一小组末尾与辅助塔结构连接，辅助塔结构包括一个平均池化层、一个1×1卷积层、一个2×2卷积层、一个全局平均池化层、一个全连接层，用于输出分类预测结果。


3.根据权利要求2所述的基于网络架构搜索的多谱段脑胶质瘤图像分类系统，其特征在于，所述一般结构单元、所述下采样结构单元各节点之间的边的候选操作包括零化、直连、1×1可分离卷积、3×3可分离卷积、1×1空洞卷积、3×3空洞卷积、3×3平均池化和3×3最大池化，每个候选操作具有一个操作权重αo。


4.根据权利要求1所述的基于网络架构搜索的多谱段脑胶质瘤图像分类系统，其特征在于，“基于更新后的操作权重对一般结构单元、下采样结构单元中各节点间的边进行剪枝”，其方法为：
各边除零化操作外具有最大操作权重的候选操作保留，其余候选操作被舍弃；
然后将各中间节点保留指向其的具有最大操作权重的候选操作的两条边，其余边被舍弃。


5.根据权利要求2所述的基于网络架构搜索的多谱段脑胶质瘤图像分类系统，其特征在于，所述图像分类模型其损失函数为：
Loss＝FocalLoss(fc...

【专利技术属性】
技术研发人员：田捷，胡振华，肖安琪，沈碧螺，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11