[发明专利]基于宏操作变异神经架构搜索的色素性皮损图像分类方法

说明书

本发明提供一种基于宏操作变异神经架构搜索的色素性皮损图像分类方法，该方法针对基于人工设计CNN的色素性皮损图像分类方法需要丰富的神经网络设计经验和大量的参数调优的问题，提出了一种基于宏操作变异神经架构搜索的色素性皮损图像分类方法以自动构建面向色素性皮损图像分类的卷积神经网络。首先，通过使用宏操作变异不断地改变父代神经架构的操作类型和连接方式来产生子代，最后进化出一个高性能的色素性皮损分类神经网络。实验结果表明，MOM‑NAS搜索到的卷积神经网络能够取得与前沿方法接近或更好的分类性能，在HAM10000和ISIC2017数据集上分别取得了72.4％和58.5％的平均敏感度。

技术领域

本发明涉及医学图像处理方法领域，更具体地，涉及一种基于宏操作变异神经架构搜索的色素性皮损图像分类方法。

背景技术

皮肤癌是最常见的癌症类型之一，其中黑色素瘤是最致命的皮肤癌，死亡率约占75％，早期准确识别黑色素瘤可显著提高患者的生存率。色素性皮损图像一般采用皮肤镜采集，由于皮肤颜色或毛发等方面的影响以及黑色素瘤和非黑色素瘤病灶高度的视觉相似性，医生可能会出现误诊或漏诊的情况。因此，研究色素性皮损自动分类方法可以辅助医生对黑色素瘤的识别准确率和工作效率。

目前深度学习在医学图像处理任务中取得了较大进展，一些研究开始将深度学习方法应用于黑色素瘤的识别，尤其是使用卷积神经网络(Convolutional Neural Network，CNN)用于色素性皮损图像分类。实践证明，神经网络架构的设计对提取图像的特征和分类性能至关重要。然而，它的设计在很大程度上依赖于专家的经验，例如卷积核的选择、超参数的设置等。另外，人们现有的先验知识和固定的思维模式可能在一定程度上限制了新神经网络架构的发现。

发明内容

本发明提供一种基于宏操作变异神经架构搜索的色素性皮损图像分类方法，该方法提高基于CNN的色素性皮损图像分类准确性。

为了达到上述技术效果，本发明的技术方案如下：

一种基于宏操作变异神经架构搜索的色素性皮损图像分类方法，包括以下步骤：

S1：增加自定义的宏操作搜索空间，并对AmoebaNet原始的微操作搜索空间进行简化；

S2：采用基于宏操作变异的进化搜索策略搜索最佳Cell；

S3：堆叠最佳Cell构建色素性皮损分类神经网络，并在数据集上进行训练和测试。

进一步地，所述步骤S1的具体过程是：

S11：将InceptionV1、PSP、Fire、SE宏操作加入到该搜索空间；

S12：移除了在NASNet-A、AmoebaNet-A最佳Cell中不出现的微操作，包括1×1卷积、5×5最大池化和7×7最大池化；

S13：增加了3×3和5×5空洞卷积操作，用微操作和宏操作构造候选的Normalcell和Reduction cell。

进一步地，所述步骤S2的具体过程是：

S21：基于微操作搜索空间初始化P个神经架构形成种群；

S22：进化种群：每次进化将从种群中随机选取S个神经架构，其中适应度最高的神经架构作为变异对象parent；

S23：使用宏操作变异产生子代架构child，并对child进行性能评估，child和父代种群一起进入下一次迭代，直到满足收敛条件。

进一步地，所述步骤S23中，宏操作变异的具体过程是：