[发明专利]一种可自动定制的医学病灶检测架构及方法

说明书

本发明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。

技术领域

本发明涉及图像识别、目标检测和深度学习等技术领域，特别是涉及一种可自动定制的医学病灶检测架构及方法。

背景技术

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(Neural Architecture Search，NAS)在图像分类、语义分割和自然图像处理等任务中取得了非常有竞争力的性能，NAS的目的是根据任务目标自动搜索最优的神经网络架构，以此突破研究人员手工设计的局限，从而实现更优的性能。现存的目标检测NAS工作只是将在图片分类任务中搜索到的网络架构迁移到检测骨架中，而且需要消耗大量的GPU显存和时间。

传统的目标检测框架主要包含三部分：特征提取器、区域候选网络(RPN)和基于区域的CNN头部。总所周知，用自然图像如ImageNet预训练的特征提取器和RPN有助于病灶检测，是医学病灶检测网络的重要组成部分。目前，基于区域的CNN头部有很多研究，如附图1所示，可主要分为以下三种：1)感受野头部(RFH)，考虑感受野的多个尺寸和形状以突出靠近中心区域的重要性，并提高对小空间移动的不敏感性。2)全连接头部(FCH)，参数冗余，且忽略空间信息。3)残差瓶颈头部(RBH)，使用残差瓶颈模块增强候选信息，跳层连接融合不同等级的特征和避免梯度弥散，但性能会被单个感受野限制。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种可自动定制的医学病灶检测架构及方法，以实现一种能够与多种病灶类型共享相关信息，并以无缝的方式实现统一的多类型病灶检测网络。

为达上述目的，本发明提出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；