1.一种用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法,具体步骤如下:
步骤1,输入婴幼儿脑病历图像标准分割图像,对婴幼儿脑病历图像进行灰度处理和增强处理,然后使用图像标记工具Image Labeler给婴幼儿脑病历标准分割图进行标签,训练集为X=(x1,x2,...,xn),n=1,2,3,...,标签集为B=(b1,b2,...,bn),n=1,2,3,...,将婴幼儿脑病历图像对应的标签保存真实值y_true;
步骤2,对婴幼儿脑病历图像使用的全卷积遗传神经网络权值参数进行双线性插值初始化f(i,j),具体计算方式公式(1)所示:f(i,j)=w1×p1+w2×p2+w3×p3+w4×p4 (1)式中,pi为最近的四个像素点,其中,i=1,2,3,4,,wj为各点相应权值,其中,j=1,2,3,
4;采用二进制编码生成m个编码长度为L的个体,L的计算方式如下公式(2)所示:L=F×F×D×N (2)
式中,L为遗传个体编码长度,F为卷积核尺寸,N为卷积核个数,D为卷积层的深度;
将个体随机分配到原生子种群Pop中,并衍生出孪生种群Pop′生成遗传进化初始种群;
原生种群和其孪生种群的交叉概率pc和变异概率pm都在不相交的区间(0,1/2)和[1/2,
1)取值,通过遗传算子在可行域内搜索最优个体,通过类间方差函数作为适应度函数f进行计算,计算方式如下公式(3)所示:f=n1n2(G1k-G2k)2,k=1,2,3,...n, (3)式中,n1,n2分别为婴幼儿脑病历图像前景和背景两类像素点的个数,G1k为第一类中第k个像素点的灰度值,G2k为第二类中第k个像素点的灰度值;
根据适应度函数f来批判个体优劣性,不断更新种群中的个体,直至遗传算法符合收敛条件,得到全局最优个体fa,将fa的所有个体作为用于婴幼儿脑病历图像的全卷积遗传神经网络的初始化权值;
步骤3,将训练集中第j张婴幼儿脑病历标准分割图输入全卷积遗传神经网络前向传播计算模型,通过多层的卷积conv、池化pool、反卷积deconv计算,最后逐像素分类概率统计计算,输出得到第j次预测值矩阵y_predict;
步骤4,将第m次真实值y_trueij与第m次预测值y_predictij,进行softmax计算softmax(y_predict),进行婴幼儿脑病历图像的逐像素交叉熵损失计算,得到第m次损失值lossm,计算方式如下公式(4)所示:式中,y_trueij为预测出的逐像素分类矩阵中的i行j列的值,y_predictij为婴幼儿脑病历标准分割图的分类矩阵的i行j列的值,class为i×j像素总个数;
步骤5,通过损失值回传,梯度下降算法回调网络权值,判断网络是否达到结束条件,若达到结束条件,则将以网络最终权值作为最终训练完成的全卷积遗传神经网络权值参数;
步骤6,将训练完成的权值参数带入网络中,形成婴幼儿脑病历图像分割全卷积遗传神经网络模型,输入婴幼儿脑病历图像,通过多层的卷积conv、最大池化max_pool、反卷积deconv计算,输出分割后的婴幼儿脑病历图像,并输出逐像素分类矩阵的y_ture。
2.根据权利要求1所述的用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法,其特征在于,所述步骤2的具体步骤如下:步骤2.1,构建一个全卷积遗传神经网络前向传播计算模型,从婴幼儿脑病历标准分割图像训练集中随机选取少量张婴幼儿脑病历图像作为参照图像,训练集剩下的为验证集,并使用交叉验证,反复训练验证;
步骤2.2,确定遗传个体数m,对全卷积遗传神经网络权值参数进行双线性插值初始化f(i,j),计算方式采用公式(1)进行计算,采用二进制编码生成m个编码长度为L的个体,L的计算方式采用公式(2)进行计算;
步骤2.3,将所有个体随机划分为原始种群Pop,并衍生出孪生种群Pop′,最终形成遗传进化初始种群;
步骤2.4,每对原始种群Pop和其孪生种群Pop′的交叉概率pc和变异概率pm都在不相交的区间取值,即所有种群的各自交叉概率pc和变异概率pm分别在(0,1/2)和[1/2,1)随机产生;
步骤2.5,每个种群中通过选择算子从旧种群中以一定概率选择最优的三个体到新种群中;然后通过交叉算子从种群中任选两个染色体,对每个位置按照pc的概率随机选择一个基因的位置进行交换,计算方式如下公式(5)所示:式中,ami为第m个染色体的第i位,ani第n个染色体的第i位,pc为交叉概率;
再通过变异算子指从群体中任选一个体,以pm的概率选择个体中的一个基因位进行变异来产生更优秀的个体,计算方式如下公式(6)所示:amn=amn+(amn-amax)×pm (6)
式中,amn为第m个染色体的第n位,amax为基因上界,pm为变异概率;
步骤2.6,各种群间使用迁移算子将迁出种群中最优的个体去替换迁入种群的最差个体去,然后使用类间方差函数作为适应度函数f进行计算,来批判个体优劣性,计算方式采用公式(3)进行计算;
步骤2.7,判断衍生多种群遗传算法是否满足收敛条件,若满足,则停止衍生多种群遗传算法的寻优,将最优个体的值作为用于婴幼儿脑病历图像的全卷积遗传神经网络的初始权值,否则将按适应度排序的精英种群的个体依次去替换每个种群中差的个体进行重新初始化,然后转到步骤2.4。
3.根据权利要求1所述的用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法,其特征在于,所述步骤3中的全卷积遗传神经网络前向传播计算模型包括卷积层conv、池化层max_pool和反卷积层deconv。
步骤3.1,将预处理后的婴幼儿脑病历图像的图像传入,通过五次的卷积核为3×3的卷积conv和池化核为2×2的最大池化max_pool,图像依次被缩小2、4、8、16和32倍;
步骤3.2,在第三次和第四次卷积conv3、conv4和最大池化max_pool3、max_pool4时提取特征地址信息featuremap,对地址信息的权值进行加权Q操作,计算方式如下公式(7)所示:式中q(featuremap)为婴幼儿脑病历图像特征地址信息值,q′为特征地址信息featuremap加权后的值,Q为衍生多种群遗传算法寻优后的加权值;
步骤3.3,在五次卷积池化之后设计三层反卷积核为7×7的反卷积层deconv,反卷积的权值使用衍生多种群遗传算法得到的最优个体参数初始,然后将其第五次卷积池化的结果进行反卷积,反卷积卷积大小ks的计算方式如下公式(8)所示:ks=w′+2×padding-stride×(w-1) (8)式中w为反卷积输入的婴幼儿脑病历图像边长;w′为输出婴幼儿脑病历特征图像边长;
stride为反卷积核划动步长;padding为婴幼儿脑病历图像数据矩阵边界填充值;
该方法可将婴幼儿脑病历特征图像上采样放大两倍,与第四次池化加权之后的婴幼儿脑病历特征图像融合,逐像素相加;
步骤3.4,将结合的婴幼儿脑病历特征图像进行反卷积放大两倍后,与第三次池化后的加权特征图像融合,即逐像素相加,得到一个缩小八倍的婴幼儿脑病历特征图像;再将得到的图像进行第三次反卷积deconv3,放大八倍得到与原婴幼儿脑病历图像大小一样的图像;
步骤3.5,通过softmax函数判断婴幼儿脑病历图像逐个像素点的分类概率结果,并通过阈值t判断,产生最终结果y_true。