[發明專利]用于近似深入神經網絡以用于解剖對象檢測的方法和系統

有效

• 申請號: 201910342258.2
• 申請日: 2016-05-06
• 公開（公告）號: CN110175630B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: D.科馬尼丘;B.喬治斯庫;J.克雷奇默;N.萊;劉大元;H.阮;V.K.辛格;鄭冶楓;周少華
• 申請（專利權）人: 西門子保健有限責任公司
• 主分類號: G06F18/2433
• 分類號: G06F18/2433;G06N3/0464;G06N3/0499;G06V10/764;G06V10/774;G06V10/82;G06F18/214
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 劉春元

1.一種用于醫學圖像中的解剖對象檢測的方法，包括：

訓練深入神經網絡以檢測醫學圖像中的解剖對象；

計算經訓練的深入神經網絡的近似，所述近似減少經訓練的深入神經網絡的計算復雜性；以及

使用經訓練的深入神經網絡的近似來檢測所接收的患者的醫學圖像中的解剖對象，

其中所述計算經訓練的深入神經網絡的近似包括：

對于經訓練的深入神經網絡的多個層中的每一個層中的多個節點中的每一個節點，使用1-D?Haar小波基和小波系數來重構節點的經訓練的權重矩陣；

確定線性地近似經訓練的深入神經網絡的當前層中的多個節點的經訓練的深入神經網絡的當前層中的多個節點的節點子集，以及從經訓練的深入神經網絡移除沒有處于節點子集中的當前層中的多個節點；

基于經訓練的深入神經網絡的當前層中所剩余的節點子集來針對經訓練的深入神經網絡的下一層更新權重；

重復以下步驟：確定線性地近似經訓練的深入神經網絡的當前層中的多個節點的經訓練的深入神經網絡的當前層中的多個節點的節點子集，以及從經訓練的深入神經網絡移除不處于節點子集中的當前層中的多個節點，以及基于經訓練的深入神經網絡的當前層中所剩余的節點子集來更新經訓練的深入神經網絡的下一層的權重，對于經訓練的深入神經網絡中的多個層中的每一個層而言，導致經訓練的深入神經網絡的初始近似；以及

通過對經訓練的深入神經網絡的初始近似執行后向傳播的一個或多個迭代來精煉經訓練的深入神經網絡的初始近似以便減小成本函數，所述成本函數度量所預測的解剖對象位置與訓練數據集合中的地面真實解剖對象位置之間的誤差。

2.一種用于醫學圖像中的解剖對象檢測的方法，包括：

訓練深入神經網絡以檢測醫學圖像中的解剖對象；

計算經訓練的深入神經網絡的近似，所述近似減少經訓練的深入神經網絡的計算復雜性；以及

使用經訓練的深入神經網絡的近似來檢測所接收的患者的醫學圖像中的解剖對象，

其中所述計算經訓練的深入神經網絡的近似包括：

對于經訓練的深入神經網絡的多個層中的每一個層中的多個節點中的每一個節點，使用1-D?Haar小波基和小波系數來重構節點的經訓練的權重矩陣，

通過確定線性地近似所述層中的所有節點的每一個層中的節點子集來減少經訓練的深入神經網絡的多個層中的每一個層中的節點數目，從而導致經訓練的深入神經網絡的第一近似；以及針對經訓練的深入神經網絡的第一近似的多個層中的每一個層中的每一個節點減少相應濾波器中的非零權重數目，從而導致經訓練的深入神經網絡的第二近似。

3.一種用于醫學圖像中的解剖對象檢測的方法，包括：

訓練深入神經網絡以檢測醫學圖像中的解剖對象；

計算經訓練的深入神經網絡的近似，所述近似減少經訓練的深入神經網絡的計算復雜性；以及

使用經訓練的深入神經網絡的近似來檢測所接收的患者的醫學圖像中的解剖對象，

其中所述計算經訓練的深入神經網絡的近似包括：

對于經訓練的深入神經網絡的多個層中的每一個層中的多個節點中的每一個節點，使用1-D?Haar小波基和小波系數來重構節點的經訓練的權重矩陣，

對于經訓練的深入神經網絡的多個層中的每一個層中的多個節點中的每一個節點，減少用于重構該節點的經訓練的權重矩陣的小波系數的數目。

4.如權利要求3所述的方法，其中使用經訓練的深入神經網絡的近似來檢測所接收的患者的醫學圖像中的解剖對象包括：將所接收的醫學圖像的整體圖像存儲在查找表中；針對所接收的醫學圖像中的多個圖像碎片中的每一個圖像碎片，使用查找表操作從存儲在查找表中的整體圖像來計算使圖像碎片與1-D?Haar小波基和轉置的Haar?1-D小波相乘的相應相乘結果；以及針對經訓練的深入神經網絡的近似中的第一隱藏層的每一個節點，計算針對該節點的小波系數與針對多個圖像碎片中的每一個圖像碎片所計算的相應相乘結果的Frobenius內積。

5.如權利要求3所述的方法，其中所述計算經訓練的深入神經網絡的近似包括：針對經訓練的深入神經網絡的多個層中的每一個層，在該層的多個節點的所有之上，將主成分分析應用于小波系數的空間。