基于域泛化神经网络的颅脑图像检测方法及模型构建方法

本发明属于基于计算机视觉的医学图像检测，尤其涉及一种基于域泛化神经网络的颅脑图像检测方法及模型构建方法。

背景技术：

1、超声波检测基于超声波在人体组织中的传播特性。超声波属于机械波，其频率高于人类听觉范围，具有良好的穿透力。当超声波遇到不同密度或声阻抗的组织界面时，会发生反射、折射、散射和衰减等现象。这些现象为成像提供了基础信息。

2、在现行的分级医疗体系下，由于诊断医生专业培训程度，检查人员经验以及仪器设备等多因素影响，颅脑诊断精度不能满足需要。利用人工智能技术如全连接网络，循环神经网络如lstm，经典卷积神经网络等，精准预测颅脑健康状态已成为当今热点。然而现有的基于人工智能技术通常需要大量的有标签数据，而在现实医疗界，由于病例收集，并且请专家人工标注的代价过于高昂，很难采集到足够的带标签数据，使得现有神经网络无法发挥最大性能。

3、此外，现有基于人工智能技术，尤其是深度学习技术的医疗图像检测，都遵循一个基本假设，即训练数据与预测数据符合同一分布，这也是深度学习技术能够在各个领域取得最高准确率的重要原因。然而受限于人体的特异性，从不同健康人群，或患者体内采集的超声波数据，与需要进行检测的目标人体内产生的数据，存在一定的域漂移现象，打破了深度学习所遵循的基本假设，严重削弱了神经网络推理阶段的性能，使得诊断结果不能满足要求。

技术实现思路

1、针对上述问题，本发明第一方面提供了一种基于域泛化神经网络的颅脑图像检测模型构建方法，包括以下过程：

2、步骤1，收集不同人群的颅脑超声波图像数据集，并对其中一部分图像数据进行标注；将整体图像数据集划分为源域1数据和源域2数据；

3、步骤2，对图像数据集进行预处理，所述预处理包括平滑滤波去除噪声；

4、步骤3，构建颅脑图像检测模型，模型包括特征提取网络和分类神经网络；

5、步骤4，设计基于最大均值差异度量损失和分类损失的混合损失函数，训练颅脑图像检测模型；使模型学习到源域1数据和源域2数据分布特征的差异，增强模型的泛化能力，得到最终颅脑图像检测模型。

6、优选的，所述步骤2中平滑滤波去除噪声具体为：

7、将图像中相邻像素做平均值处理，对一副灰度图像a：

8、

9、其中，a为灰度图像像素矩阵，aij为图像中(i,j)位置的像素值；

10、定义一个大小为l的窗口，计算窗口内元素的均值，作为对应窗口位置处的输出值

11、其公式如下：

12、

13、其中，vmean为窗口内像素的均值，l为批次大小。

14、优选的，所述步骤1中收集不同人群的颅脑超声波图像数据集，包括青少年、中年、老年的不同颅脑健康状况的超声波图像数据收集；将青少年和中年群体的颅脑超声波图像作为源域1数据，将老年群体的颅脑超声波图像作为源域2数据；或者把标注的的图像数据作为源域1数据，把未标注的数据作为源域2数据。

15、优选的，所述步骤3中的特征提取网络包括依次连接的全局平均池化层、第一全连接层、relu激活函数层、第二全连接层和sigmoid激活函数层；首先全局平均池化层将患者颅脑超声图像每个通道的特征图通过压缩成标量，接着第一全连接层将每个标量的维度进行压缩，接着通过relu激活函数对压缩后的标量进行非线性变化，接着第二全连接层将非线性变换后的压缩标量维度进行还原，最后通过sigmoid激活函数，得到每个通道的权重。

16、优选的，所述分类神经网络包括两层全连接层和一层softmax激活函数层，其中第一层全连接层负责将特征提取网络所得到的特征映射为高维隐含特征，第二层全连接层将高维隐含通知转化为颅脑健康状况分数，softmax激活函数层将颅脑健康状况分数转化为颅脑健康状况预测值；其中第一层全连接层负责将特征提取网络所得到的特征映射到512维度，第二层全连接层将512维度的特征对标到不同颅脑健康状况的具体得分。

17、优选的，所述步骤4训练颅脑图像检测模型，将源域1数据与源域2中数据的少量有标签数据输入特征提取网络，并将提取的特征通过高斯核函数映射到希尔伯特空间，在这个空间内，通过最大均值差异度量方法得到最小的特征距离差异，并通过网络迭代，不断优化特征距离差异，使得特征距离越来越近；同时利用深度相关对齐，使得条件特征分步也能够对齐；利用分类神经网络，从域不变特征中，提取到足够的判别性信息，使得在未见过的数据中，有较强的分类能力。

18、优选的，设计基于最大均值差异度量损失和分类损失的混合损失函数，数学表达式如下所示：

19、lall＝lce+λldg

20、其中，lce为分类损失函数，ldg为最大均值差异度量损失函数，λ为惩罚系数，用来决定域泛化的程度；

21、所述分类损失函数lce的数学表达式如下所示：

22、

23、其中，n为样本数量，y为颅脑图像真实标签，a为颅脑图像检测模型的预测值；

24、所述最大均值差异度量损失函数的数学表达式最终下式所示：

25、

26、其中，σ为再生希尔伯特空间映射函数，y1为源域1样本x1对应的标签，y2为源域2样本x2对应的标签，p(y1＝c)为类别c在源域1中的概率值，p(y2＝c)为类别c在源域2中的概率值；

27、基于所述损失函数进行神经网络参数更新的过程如下式所示：

28、

29、其中，ε为学习率，γ与λ为平衡参数，θfe为神经网络参数。

30、本发明第二方面提供了一种基于域泛化神经网络的颅脑图像检测方法，其特征在于，将第一方面所述的构建方法所构建的颅脑图像检测模型部署于医疗系统中，并包括以下过程：

31、步骤1，获取待诊断患者的颅脑超声波图像；

32、步骤2，将图像输入到部署的训练完成的颅脑图像检测模型中；

33、步骤3，输出图像检测结果，供医生进行诊断。

34、本发明第三方面提供了一种基于域泛化神经网络的颅脑图像检测设备，其特征在于：所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如第一方面所述的构建方法所构建的颅脑图像检测模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行一种基于域泛化神经网络的颅脑图像检测方法。

35、本发明第四方面提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有如第一方面所述的构建方法所构建的颅脑图像检测模型的计算机程序或指令，所述程序或指令被处理器执行时，使处理器执行一种基于域泛化神经网络的颅脑图像检测方法。

36、与现有技术相比，本发明具有如下有益效果：

37、本发明利用域泛化技术，不仅能够克服上述数据采集困难，数据标记困难的问题，并且能够极大缓解域漂移现象，提升人工智能技术在颅脑健康诊断中的实用性。具体包括：

38、(1)仅需一次网络训练，对所有新患者的超声波图像进行更精确的实时检测，极大提升检查的效率。

39、(2)由于传统神经网络的智能检测算法均遵循一个基本假设，即训练数据与测试数据满足独立同分布。而由于人体的差异性与病症的差异性，现实情况经常违背这一基本假设，导致传统神经网络方法推理阶段性能遭受严重削弱。此方法不需要患者的超声波图像满足独立同分布的基本假设，极大提升了算法的普适性与应用价值。

40、(3)对医疗影像进行人工标注往往需要有经验的人花费大量时间进行标记，这一代价往往过于高昂。本方法无需对所有人群，所有病症进行人工标注，可极大减少数据采集的成本。