[發明專利]用于嬰幼兒腦病歷圖像分割的全卷積遺傳神經網絡方法

有效

• 申請號: 202010697178.1
• 申請日: 2020-07-20
• 公開（公告）號: CN112001887B
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 丁衛平;馮志豪;李銘;孫穎;張毅;鞠恒榮;曹金鑫
• 申請（專利權）人: 南通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

1.一種用于嬰幼兒腦病歷圖像分割的全卷積遺傳神經網絡方法，具體步驟如下：

步驟1，輸入嬰幼兒腦病歷圖像，對嬰幼兒腦病歷圖像進行灰度處理和增強處理，然后使用圖像標記工具Image Labeler給嬰幼兒腦病歷圖像進行標簽，訓練集為X＝(x₁,x₂,...,x_n),n＝1,2,3,...，標簽集為B＝(b₁,b₂,...,b_n),n＝1,2,3,...，將嬰幼兒腦病歷圖像對應的標簽保存到真實值矩陣y_true中；

步驟2,對嬰幼兒腦病歷圖像使用的全卷積遺傳神經網絡權值參數進行雙線性插值初始化f(i,j)，具體計算方式公式(1)所示：

f(i,j)＝w₁×p₁+w₂×p₂+w₃×p₃+w₄×p₄ (1)

式中，p_i為最近的四個像素點，其中，i＝1,2,3,4,，w_j為各點相應權值，其中，j＝1,2,3,4；采用二進制編碼生成m個編碼長度為L的染色體，L的計算方式如下公式(2)所示：

L＝F×F×D×N (2)

式中，L為遺傳染色體編碼長度，F為卷積核尺寸，N為卷積核個數，D為卷積層的深度；

將染色體隨機分配到原生種群Pop中，并衍生出孿生種群Pop′生成遺傳進化初始種群；

原生種群和其孿生種群的交叉概率p_c和變異概率p_m都在不相交的區間(0，1/2)和[1/2，1)取值，通過遺傳算子在可行域內搜索最優染色體，通過類間方差函數作為適應度函數f進行計算，計算方式如下公式(3)所示：

f＝n₁n₂(G_1k-G_2k)²，k＝1,2,3,...n, (3)

式中，n₁,n₂分別為嬰幼兒腦病歷圖像前景和背景兩類像素點的個數，G_1k為第一類中第k個像素點的灰度值，G_2k為第二類中第k個像素點的灰度值；

根據適應度函數f來批判染色體優劣性，不斷更新種群中的染色體，直至遺傳算法符合收斂條件，得到全局最優染色體fa，將fa的所有染色體作為用于嬰幼兒腦病歷圖像的全卷積遺傳神經網絡的初始化權值，具體步驟如下：

步驟2.1,構建一個全卷積遺傳神經網絡前向傳播計算模型，從嬰幼兒腦病歷圖像訓練集中隨機選取少量張嬰幼兒腦病歷圖像作為參照圖像，訓練集剩下的為驗證集，并使用交叉驗證，反復訓練驗證；

步驟2.2,確定遺傳染色體數m，對全卷積遺傳神經網絡權值參數進行雙線性插值初始化f(i,j)，計算方式采用公式(1)進行計算，采用二進制編碼生成m個編碼長度為L的染色體，L的計算方式采用公式(2)進行計算；

步驟2.3,將所有染色體隨機劃分為原生種群Pop，并衍生出孿生種群Pop′，最終形成遺傳進化初始種群；

步驟2.4，每對原生種群Pop和其孿生種群Pop′的交叉概率p_c和變異概率p_m都在不相交的區間取值，即所有種群的各自交叉概率p_c和變異概率p_m分別在(0，1/2)和[1/2，1)隨機產生；

步驟2.5,每個種群中通過選擇算子從舊種群中以一定概率選擇最優的三個染色體到新種群中；然后通過交叉算子從種群中任選兩個染色體，對每個位置按照p_c的概率隨機選擇一個基因的位置進行交換，計算方式如下公式(4)所示：

式中，a_mi為第m個染色體的第i位，a_ni為第n個染色體的第i位,p_c為交叉概率；

再通過變異算子從種群中任選一染色體，以p_m的概率選擇染色體中的一個基因位進行變異來產生更優秀的染色體，計算方式如下公式(5)所示：

a_mn＝a_mn+(a_mn-a_max)×p_m (5)

式中，a_mn為第m個染色體的第n位，a_max為基因上界，p_m為變異概率；

步驟2.6,各種群間使用遷移算子將遷出種群中最優的染色體去替換遷入種群中最差的染色體，然后使用類間方差函數作為適應度函數f進行計算，來批判染色體優劣性，計算方式采用公式(3)進行計算；

步驟2.7,判斷衍生多種群遺傳算法是否滿足收斂條件，若滿足，則停止衍生多種群遺傳算法的尋優，將最優染色體的值作為用于嬰幼兒腦病歷圖像的全卷積遺傳神經網絡的初始權值，否則將按適應度排序的精英種群的染色體依次去替換每個種群中差的染色體進行重新初始化，然后轉到步驟2.4；

步驟3，將訓練集中第r張嬰幼兒腦病歷圖像輸入全卷積遺傳神經網絡前向傳播計算模型，通過多層的卷積conv、池化pool、反卷積deconv計算，然后使用soft max函數進行逐像素分類概率統計計算，輸出得到第r張圖像的預測值矩陣y_predict；

步驟4,將真實值矩陣y_true中第r張嬰幼兒腦病歷圖像的i行j列真實值|y_true_ij|_r與第r張的嬰幼兒腦病歷圖像預測值矩陣的i行j列預測值|y_predict_ij|_r，進行softmax計算后進行嬰幼兒腦病歷圖像的逐像素交叉熵損失計算，得到第r次損失值loss_r，計算方式如下公式(6)所示：

式中，|y_true_ij|_r為第r張嬰幼兒腦病歷圖像的真實值矩陣中的i行j列的值，|y_predict_ij|_r為第r張嬰幼兒腦病歷圖像預測值矩陣的i行j列的值，class為i×j像素總個數；

步驟5,通過損失值回傳，梯度下降算法回調網絡權值，判斷網絡是否達到結束條件，若達到結束條件，則將以網絡最終權值作為最終訓練完成的全卷積遺傳神經網絡權值參數；

步驟6,將訓練完成的權值參數代入網絡中，形成嬰幼兒腦病歷圖像分割全卷積遺傳神經網絡模型，輸入嬰幼兒腦病歷圖像，通過多層的卷積conv、最大池化max_pool、反卷積deconv計算，輸出分割后的嬰幼兒腦病歷圖像，并輸出逐像素分類矩陣的y_predict。

2.根據權利要求1所述的用于嬰幼兒腦病歷圖像分割的全卷積遺傳神經網絡方法，其特征在于，所述步驟3中的全卷積遺傳神經網絡前向傳播計算模型包括卷積層conv、最大池化層max_pool和反卷積層deconv；

步驟3.1,將預處理后的嬰幼兒腦病歷圖像傳入，通過五次的卷積核為3×3的卷積conv和池化核為2×2的最大池化層max_pool，圖像依次被縮小2、4、8、16和32倍；

步驟3.2,在第三次和第四次卷積conv₃、conv₄和最大池化max_pool₃、max_pool₄時提取特征地址信息featuremap，對地址信息的權值進行加權Q操作，計算方式如下公式(7)所示：

式中q(featuremap)為嬰幼兒腦病歷圖像的特征地址信息值，q′為特征地址信息featuremap加權后的值，Q為衍生多種群遺傳算法尋優后的加權值；

步驟3.3,在五次卷積池化之后設計三層反卷積核為7×7的反卷積層deconv，反卷積層deconv的權值使用衍生多種群遺傳算法得到的最優染色體參數初始化，然后將其第五次卷積池化的結果進行反卷積，反卷積卷積大小ks的計算方式如下公式(8)所示：

ks＝w′+2×padding-stride×(w-1) (8)

式中w為反卷積輸入的嬰幼兒腦病歷圖像邊長；w′為輸出嬰幼兒腦病歷特征圖像邊長；stride為反卷積核劃動步長；padding為嬰幼兒腦病歷圖像數據矩陣邊界填充值；

該方法可將嬰幼兒腦病歷特征圖像上采樣放大兩倍，與第四次池化加權之后的嬰幼兒腦病歷特征圖像融合，逐像素相加；

步驟3.4,將結合的嬰幼兒腦病歷特征圖像進行反卷積放大兩倍后，與第三次池化后的加權特征圖像融合，即逐像素相加，得到一個縮小八倍的嬰幼兒腦病歷圖像；再將得到的圖像進行第三次反卷積deconv₃，放大八倍得到與原嬰幼兒腦病歷圖像大小一樣的圖像；

步驟3.5,通過softmax函數判斷嬰幼兒腦病歷圖像逐個像素點的分類概率結果，并通過閾值t判斷，產生最終結果y_predict。