[发明专利]基于结构熵采样的多目标架构搜索骨质疏松图像识别方法

权利要求书

1.一种基于结构熵采样的多目标架构搜索骨质疏松图像识别方法，其特征是按以下步骤进行：

步骤0、采集n张含有骨密度标签的腰椎X光图像并进行预处理，得到数据集D_all，并划分为训练集D_tra和验证集D_vall，且腰椎X光图像共有I种类别；

步骤1、构建由NC个卷积块和RC个下采样块组成的卷积神经网络结构A；每个卷积块和下采样块的节点个数相同，并由m个节点构成，每个节点表示一种操作，所述操作的类型包括卷积操作、下采样操作、全连接操作以及通道注意力操作，节点之间存在连接用“1”表示，否则用“0”表示；所述卷积块中的所有操作的步长均为1，所述下采样块中所有操作的步长均为2；所述神经网络结构A由NC个卷积块和RC个下采样块依次堆叠而成；所述神经网络结构A的稠密度由所有节点连接关系中“1”的个数表示；

步骤2、初始化所述神经网络结构的种群P_t并进行迭代进化，获得最优网络结构A_best；

步骤2.0、参数定义，包括：初始种群大小为N，候选子代种群大小为M，总的进化迭代次数为T，当前迭代次数为t，每个结构训练的最大次数为E_max，交叉概率为a，变异概率为b，种群所有个体稠密度的划分间隔为α；

步骤2.1、初始化t＝1；随机初始化卷积神经网络结构的第t代种群P_t，所述第t代种群P_t由N个卷积网络结构的编码组成，其中任意一个卷积网络结构A所对应的编码记为E，所述编码E是位的二进制编码，其中，m表示所述卷积神经网络结构A中卷积块和下采样块中的节点个数；所述二进制编码包含卷积神经网络结构中层与层之间的连接关系以及节点的操作类型；

步骤2.2、将所述第t代种群P_t中的N个编码映射成卷积神经网络结构信息，从而完成解码操作，构建完整的卷积神经网络结构；

步骤2.3、训练所述完整的卷积神经网络结构，获取个体适应度值：

将所述训练集D_tra和验证集D_val分别进行水平翻转、角度旋转、高斯加噪的增广处理及像素归一化操作后，将处理后的训练集D’_tra输入到所述完整的卷积神经网络结构中进行前向传播处理，并在反向传播处理中利用随机梯度下降算法对神经网络结构所对应的第t代种群P_t中每个解码后的神经结构进行迭代训练，同时使用交叉熵损失函数来更新迭代训练过程中卷积神经网络结构的权重参数，直至达到最大训练次数E_max为止，从而得到N个训练好的卷积神经网络结构；

将处理后的验证集D’_val分别输入N个训练好的卷积神经网络结构中，得到验证集D’_val的N个准确率并将其作为N个个体的适应度值F₁，将训练好的卷积神经网络结构的参数量作为适应度值F₂；

步骤2.4、交配池选择：

在第t代种群P_t中每次有放回的随机抽取两个父代个体，并使用二进制锦标赛选择法将所述适应度值F₁更大的个体保留，从而得到种群规模为N的第t代交配池P_t’；

步骤2.5、基于结构熵采样的个体交叉变异：

步骤2.5.1、依次从所述第t代交配池P_t’中随机抽取两个父代个体p₁和p₂，以交叉率a和变异率b分别进行编码的交叉操作和变异操作，从而得到两个子代个体o₁和o₂；

步骤2.5.2、重复M/2次步骤2.5.1，从而得到种群规模为M的第t代候选子代种群Q_t’；

步骤2.5.3、根据式(1)所示的结构熵公式计算第t代父代种群P_t的初始结构熵AE(P_t)：

式(1)中，F′_max和F′_min表示当前种群所有个体中最大的稠密度值和最小的稠密度值，α表示当前种群所有个体稠密度值等分的间隔，Q表示根据所述个体稠密度等分间隔划分的区间数量，N表示种群的规模，表示第t代种群的第j个区间，表示第t代种群中的第j个区间中的个体数量占种群数量的比例；

步骤2.5.4、将所述第t代候选子代种群Q_t’中的第k个个体q_k加入第t代父代种群P_t构成混合种群P′_t，再根据式(1)计算所述混合种群P′_t的结构熵AE(P′_t)；

步骤2.5.5、计算所述初始结构熵AE(P_t)和混合种群P′_t的结构熵AE(P′_t)的差值，从而得到所述第k个个体q_k的个体熵IE(q_k)，用于表示个体多样性的优劣；

步骤2.5.6、按照步骤2.5.3-步骤2.5.5计算候选子代种群Q_t’中每个个体的个体熵并进行降序排序，选取前N个个体作为第t代子代种群Q_t；

步骤2.6、环境选择：

将第t代父代种群P_t和第t代子代种群Q_t进行混合，得到种群规模为2N的第t代混合种群M_t；对第t代混合种群M_t中所有的个体基于双目标适应度值F₁和F₂进行非支配排序，得到第t代第j个个体在目标空间中对应的帕累托前沿面层索引K_j以及在对应前沿面上的拥挤度距离D_j；选择帕累托前沿面层索引更小且拥挤度距离更大的N个个体作为第t+1代种群P_t+1；

步骤2.7、令t+1赋值给t后，判断t≤T是否成立，若成立，则重复步骤2.2到步骤2.7，否则执行步骤3；

步骤3、获取最佳神经网络结构个体：

基于N个个体的适应度值对第T代种群P_T进行降序排序，并将适应度值F₁最大的个体作为最优卷积神经网络结构A_best输出；

步骤4、对所述最优卷积神经网络结构A_best进行训练：

分别将所述处理后的训练集D’_tra和验证集D’_val输入到最优卷积神经网络结构A_best中，并利用随机梯度下降算法对所述最优卷积神经网络结构A_best进行训练，同时使用如式(2)所示的带权重的交叉熵损失函数对训练迭代中最优卷积神经网络结构A_best的权重参数进行更新，直至达到总训练次数E_max为止，从而得到训练后的最佳卷积神经网络结构A’_best并作为骨密度分类预测模型，用于实现X光图像的分类预测；

式(2)中，y表示输入样本的真实标签，表示网络模型预测的标签，表示网络结构预测的标签概率，N_c表示第c种类别图片的数量，N_sum表示所有图片的总数量。