[发明专利]用于近似深入神经网络以用于解剖对象检测的方法和系统

权利要求书

1.一种用于医学图像中的解剖对象检测的方法，包括：

训练深入神经网络以检测医学图像中的解剖对象；

计算经训练的深入神经网络的近似，所述近似减少经训练的深入神经网络的计算复杂性；以及

使用经训练的深入神经网络的近似来检测所接收的患者的医学图像中的解剖对象，

其中所述计算经训练的深入神经网络的近似包括：

对于经训练的深入神经网络的多个层中的每一个层中的多个节点中的每一个节点，使用1-D Haar小波基和小波系数来重构节点的经训练的权重矩阵；

确定线性地近似经训练的深入神经网络的当前层中的多个节点的经训练的深入神经网络的当前层中的多个节点的节点子集，以及从经训练的深入神经网络移除没有处于节点子集中的当前层中的多个节点；

基于经训练的深入神经网络的当前层中所剩余的节点子集来针对经训练的深入神经网络的下一层更新权重；

重复以下步骤：确定线性地近似经训练的深入神经网络的当前层中的多个节点的经训练的深入神经网络的当前层中的多个节点的节点子集，以及从经训练的深入神经网络移除不处于节点子集中的当前层中的多个节点，以及基于经训练的深入神经网络的当前层中所剩余的节点子集来更新经训练的深入神经网络的下一层的权重，对于经训练的深入神经网络中的多个层中的每一个层而言，导致经训练的深入神经网络的初始近似；以及

通过对经训练的深入神经网络的初始近似执行后向传播的一个或多个迭代来精炼经训练的深入神经网络的初始近似以便减小成本函数，所述成本函数度量所预测的解剖对象位置与训练数据集合中的地面真实解剖对象位置之间的误差。

2.一种用于医学图像中的解剖对象检测的方法，包括：

训练深入神经网络以检测医学图像中的解剖对象；

计算经训练的深入神经网络的近似，所述近似减少经训练的深入神经网络的计算复杂性；以及

使用经训练的深入神经网络的近似来检测所接收的患者的医学图像中的解剖对象，

其中所述计算经训练的深入神经网络的近似包括：

对于经训练的深入神经网络的多个层中的每一个层中的多个节点中的每一个节点，使用1-D Haar小波基和小波系数来重构节点的经训练的权重矩阵，

通过确定线性地近似所述层中的所有节点的每一个层中的节点子集来减少经训练的深入神经网络的多个层中的每一个层中的节点数目，从而导致经训练的深入神经网络的第一近似；以及针对经训练的深入神经网络的第一近似的多个层中的每一个层中的每一个节点减少相应滤波器中的非零权重数目，从而导致经训练的深入神经网络的第二近似。

3.一种用于医学图像中的解剖对象检测的方法，包括：

训练深入神经网络以检测医学图像中的解剖对象；

计算经训练的深入神经网络的近似，所述近似减少经训练的深入神经网络的计算复杂性；以及

使用经训练的深入神经网络的近似来检测所接收的患者的医学图像中的解剖对象，

其中所述计算经训练的深入神经网络的近似包括：

对于经训练的深入神经网络的多个层中的每一个层中的多个节点中的每一个节点，使用1-D Haar小波基和小波系数来重构节点的经训练的权重矩阵，

对于经训练的深入神经网络的多个层中的每一个层中的多个节点中的每一个节点，减少用于重构该节点的经训练的权重矩阵的小波系数的数目。

4.如权利要求3所述的方法，其中使用经训练的深入神经网络的近似来检测所接收的患者的医学图像中的解剖对象包括：将所接收的医学图像的整体图像存储在查找表中；针对所接收的医学图像中的多个图像碎片中的每一个图像碎片，使用查找表操作从存储在查找表中的整体图像来计算使图像碎片与1-D Haar小波基和转置的Haar 1-D小波相乘的相应相乘结果；以及针对经训练的深入神经网络的近似中的第一隐藏层的每一个节点，计算针对该节点的小波系数与针对多个图像碎片中的每一个图像碎片所计算的相应相乘结果的Frobenius内积。

5.如权利要求3所述的方法，其中所述计算经训练的深入神经网络的近似包括：针对经训练的深入神经网络的多个层中的每一个层，在该层的多个节点的所有之上，将主成分分析应用于小波系数的空间。