一种用于医学图像的自适应神经网络分割模型构建方法

1.本发明属于图像处理技术领域，具体涉及一种自适应神经网络分割模型构建方法。


背景技术：

2.利用现有的计算机辅助诊断系统对医学图像中的各种器官进行自动的精确分割能够极大地促进对各类疾病的评估。与此同时，经过多年的发展，深度学习的相关算法在计算机视觉领域取得了显著的成果。其中，深度学习的典型代表：卷积神经网络(convolutional neural networks,cnn)也被逐渐地应用于医学图像处理领域之中。如roth等人利用cnn模型对图像特征的高表示能力来对ct图像中的器官进行有效的分割，他们率先将全卷积网络(full convolution network，fcn)用于分割任务，展示了cnn模型在医学图像分割上的潜力。然而，由于人体各个器官的特殊性，往往无法使用同一种分割网络同时应对多种分割任务，因此亟需开发一种可以适应于多种任务的分割技术。


技术实现要素：

3.为了克服现有技术的不足，本发明提供了一种用于医学图像的自适应神经网络分割模型构建方法，首先构建金字塔性的基础模型，基础模型中包含多个特征处理单元，特征处理单元之间通过直接连接或跳跃连接实现数据流；特征处理单元的结构相同，由一个卷积模块和一个辅助指示函数构成；采用数据集对基础模型进行训练，输入的数据经过基础模型中的各个特征处理单元，按照辅助指示函数的输出对特征处理单元进行去除或保留，得到最终的分割模型。该模型能够对于不同数据集搜索得到适应于该任务的模型结构，不仅大大降低了模型复杂度，而且显著的提高了分割精度。
4.本发明解决其技术问题所采用的技术方案包括如下步骤：
5.步骤1：构建基础模型；
6.所述基础模型为n 1层结构，第零层设置一个特征处理单元，定义名称为x
n,0
；第1层设置两个特征处理单元，定义名称分别为x
n-1,0
和x
n-1,1
；依次类推，第n层设置n 1个特征处理单元，定义名称分别为x
0,0
、x
0,1
、
…
、x
0,n
；
7.将原始医学图像数据输入x
0,0
，最终从x
0,n
输出，数据流方向如下：
8.(1)层与层之间存在多条通道：
9.x
0,0
→
x
1,0
→
x
2,0
→…→
x
n,0
；
10.x
1,0
→
x
0,1
；
11.x
2,0
→
x
1,1
→
x
0,2
；
12.…
13.x
n,0
→
x
n-1,1
→
x
n-2,2
→…→
x
0,n
；
14.(2)在每一层中存在一条主通道：
15.第n层：x
0,0
→
x
0,1
→…→
x
0,n
；
16.第n-1层：x
1,0
→
x
1,1
→…→
x
1,n-1
；
17.…
18.第1层：x
n-1,0
→
x
n-1,1
；
19.在每一层中各个特征处理单元之间进行跳跃连接，规则如下：
20.对于第n层：
21.x
0,0
→
x
0,2
，x
0,0
→
x
0,3
，
…
，x
0,0
→
x
0,n
；
22.x
0,1
→
x
0,3
，x
0,1
→
x
0,4
，
…
，x
0,1
→
x
0,n
；
23.…
24.x
0,n-2
→
x
0,n
；
25.对于第n-1层：
26.x
1,0
→
x
1,2
，x
1,0
→
x
1,3
，
…
，x
1,0
→
x
1,n-1
；
27.x
1,1
→
x
1,3
，x
1,1
→
x
1,4
，
…
，x
1,1
→
x
1,n-1
；
28.…
29.x
1,n-3
→
x
1,n-1
；
30.其它层以此类推；
31.步骤2：构建特征处理单元；
32.每个特征处理单元的结构相同，由一个卷积模块和一个辅助指示函数构成；
33.特征处理单元的输入先进入到卷积模块；卷积模块的输出再经过辅助指示函数，辅助指示函数的输出与卷积模块的输出再做积；做完积之后的结果再和特征处理单元的输入相加得到特征处理单元的输出；
34.步骤3：构建辅助指示函数；
35.设辅助指示函数的输入为f(x,w)，在辅助指示函数中执行：
36.t1＝max|f(x,w)|-α
37.t2＝relu(-β*t1)
38.s(f(x,w))＝relu(-β*t2 1)
39.其中，x表示输入参数，w表示输入参数的系数，α为阈值，β为系数，relu(.)为修正线性单元；s(f(x,w))为辅助指示函数的输出；
40.在一个辅助指示函数中，如果所有的个体响应f(x,w)都小于给定的阈值α，则辅助指示函数的输出s(f(x,w))为0，否则为1；
41.步骤4：训练基础模型；
42.采用数据集对基础模型进行训练，输入的数据按照步骤1的数据流经过基础模型中的各个特征处理单元，如果任意一个特征处理单元中的辅助指示函数的输出为0，则将该特征处理单元从基础模型中去除，将该特征处理单元前后两个特征处理单元直接连接；如果该特征处理单元中的辅助指示函数的输出为1，则该特征处理单元的输出按照步骤2的运算过程输出；
43.通过多次迭代，基础模型中冗余的特征处理单元被去除，得到适应于输入数据集的分割模型；
44.步骤5：更换数据集，重新输入基础模型迭代，能够得到新的分割模型。
45.本发明的有益效果如下：
46.现有的医学图像分割模型普遍是由有经验的算法工程师手工设计的，这种方法费时费力，且分割效果往往只能在个别任务上得到保证。本发明所提出的自适应分割模型技术，利用了神经网络结构搜索技术，极大的节省了人力设计网络的代价，并且可以在多个任务上得到较为理想的分割结果。
附图说明
47.图1为本发明方法的分割模型示意图。
48.图2为本发明方法的特征处理单元结构图。
49.图3为本发明方法的辅助指示函数结构图。
具体实施方式
50.下面结合附图和实施例对本发明进一步说明。
51.针对医学分割问题中人工设计的网络结构无法自适应于不同任务和不同数据集的难点，本发明提出了一种用于医学图像的自适应神经网络分割模型，该模型能够对于不同数据集搜索得到适应于该任务的模型结构，不仅大大降低了模型复杂度，而且显著的提高了分割精度。
52.一种用于医学图像的自适应神经网络分割模型构建方法，包括如下步骤：
53.步骤1：构建基础模型；
54.所述基础模型为n 1层结构，第零层设置一个特征处理单元，定义名称为x
n,0
；第1层设置两个特征处理单元，定义名称分别为x
n-1,0
和x
n-1,1
；依次类推，第n层设置n 1个特征处理单元，定义名称分别为x
0,0
、x
0,1
、
…
、x
0,n
；
55.将原始医学图像数据输入x
0,0
，最终从x
0,n
输出，数据流方向如下：
56.(1)层与层之间存在多条通道：
57.x
0,0
→
x
1,0
→
x
2,0
→…→
x
n,0
；
58.x
1,0
→
x
0,1
；
59.x
2,0
→
x
1,1
→
x
0,2
；
60.…
61.x
n,0
→
x
n-1,1
→
x
n-2,2
→…→
x
0,n
；
62.(2)在每一层中存在一条主通道：
63.第n层：x
0,0
→
x
0,1
→…→
x
0,n
；
64.第n-1层：x
1,0
→
x
1,1
→…→
x
1,n-1
；
65.…
66.第1层：x
n-1,0
→
x
n-1,1
；
67.在每一层中各个特征处理单元之间进行跳跃连接，规则如下：
68.对于第n层：
69.x
0,0
→
x
0,2
，x
0,0
→
x
0,3
，
…
，x
0,0
→
x
0,n
；
70.x
0,1
→
x
0,3
，x
0,1
→
x
0,4
，
…
，x
0,1
→
x
0,n
；
71.…
72.x
0,n-2
→
x
0,n
；
73.对于第n-1层：
74.x
1,0
→
x
1,2
，x
1,0
→
x
1,3
，
…
，x
1,0
→
x
1,n-1
；
75.x
1,1
→
x
1,3
，x
1,1
→
x
1,4
，
…
，x
1,1
→
x
1,n-1
；
76.…
77.x
1,n-3
→
x
1,n-1
；
78.其它层以此类推；
79.步骤2：如图2所示，构建特征处理单元；
80.每个特征处理单元的结构相同，由一个卷积模块和一个辅助指示函数构成；
81.特征处理单元的输入先进入到卷积模块；卷积模块的输出再经过辅助指示函数，辅助指示函数的输出与卷积模块的输出再做积；做完积之后的结果再和特征处理单元的输入相加得到特征处理单元的输出；
82.步骤3：如图3所示，构建辅助指示函数；
83.设辅助指示函数的输入为f(x,w)，在辅助指示函数中执行：
84.t1＝max|f(x,w)|-α
85.t2＝relu(-β*t1)
86.s(f(x,w))＝relu(-β*t2 1)
87.其中，x表示输入参数，w表示输入参数的系数，α为阈值，β为系数，relu(.)为修正线性单元；s(f(x,w))为辅助指示函数的输出；
88.在一个辅助指示函数中，如果所有的个体响应f(x,w)都小于给定的阈值α，则辅助指示函数的输出s(f(x,w))为0，否则为1；
89.步骤4：训练基础模型；
90.采用数据集对基础模型进行训练，输入的数据按照步骤1的数据流经过基础模型中的各个特征处理单元，如果任意一个特征处理单元中的辅助指示函数的输出为0，即该特征处理单元没有对特征进行处理，则将该特征处理单元从基础模型中去除，将该特征处理单元前后两个特征处理单元直接连接；如果该特征处理单元中的辅助指示函数的输出为1，则该特征处理单元的输出按照步骤2的运算过程输出；
91.通过多次迭代，基础模型中冗余的特征处理单元被去除，得到适应于输入数据集的分割模型；
92.步骤5：更换数据集，重新输入基础模型迭代，能够得到新的分割模型。
93.图1为n＝4时，基础模型以及采用本发明方法取出冗余特征处理单元之后的模型。
94.选择如图1左边所示的分割模型结构作为基础模型，其中每个深色的模块代表一个特征处理单元，实线箭头为主要的数据流，虚线箭头为跨层连接数据流，该模型具有复杂且冗余的结构，方便进行不同程度的修剪或选取。每个特征处理单元的结构如图2所示，由一个卷积模块和辅助指示函数构成，其中
“×”
与“ ”分别代表乘与加，辅助指示函数的输出为0或1，若指示函数的输出为0，则特征处理单元的输出与输入一致，即该单元没有对特征进行处理；若指示函数输出为1，则特征处理单元输出卷积单元对特征的处理结果。
95.辅助指示函数如图3所示，如果在一个特征处理单元中，所有的个体响应f(x,w)都小于给定的阈值α，则指示函数的输出s(f(x,w))为0，否则为1。图3中，relu为修正线性单元，是一种人工神经网络中常用的函数，β为人工设置的参数，t1与t2无实际意义，用于指代
数据流中的变量。
96.如图1右边所示，对于一个特定的数据集，在使用本发明方法进行训练时，通过特征处理单元后，指示函数会决定该单元是否保留，通过若干次迭代，原先的模型中大量冗余的模块被丢弃(浅色模块)，得到一个新的适应于输入数据集的模型。对于不同的输入数据集，本发明方法可以得到不同的模型结构。