CN111047563B - 一种应用于医学超声图像的神经网络构建方法 - Google Patents

一种应用于医学超声图像的神经网络构建方法 Download PDF

Info

Publication number
CN111047563B
CN111047563B CN201911176652.XA CN201911176652A CN111047563B CN 111047563 B CN111047563 B CN 111047563B CN 201911176652 A CN201911176652 A CN 201911176652A CN 111047563 B CN111047563 B CN 111047563B
Authority
CN
China
Prior art keywords
network model
network
preset
search
image analysis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911176652.XA
Other languages
English (en)
Other versions
CN111047563A (zh
Inventor
杨鑫
李锐
高睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Duying Medical Technology Co ltd
Original Assignee
Shenzhen Duying Medical Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Duying Medical Technology Co ltd filed Critical Shenzhen Duying Medical Technology Co ltd
Priority to CN201911176652.XA priority Critical patent/CN111047563B/zh
Publication of CN111047563A publication Critical patent/CN111047563A/zh
Application granted granted Critical
Publication of CN111047563B publication Critical patent/CN111047563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种应用于医学超声图像的神经网络构建方法，所述方法包括获取待处理的超声图像分析任务，并根据所述超声图像分析任务确定其对应的候选网络模型；采用预设网络单元替换所述候选网络模型中的待替换模块，以得到搜索网络模型，对所述搜索网络模型进行训练，以得到所述超声图像分析任务对应的网络模型。本发明通过将迁移学习和神经网络架构搜索相结合，利用神经网络架构搜索算法，在候选网络模型上对部分参数量巨大的网络层进行替换搜索，使得网络架构搜索能够结合已有大数据训练的特征提取能力。这样一方面避免从头开始，提高搜索效率和稳定性；另一方面使得搜索到的混合神经网络的模型参数检索并且提高网络性能。

Description

一种应用于医学超声图像的神经网络构建方法
技术领域
本发明涉及超声技术领域，特别涉及一种应用于医学超声图像的神经网络构建方法。
背景技术
深度学习技术广泛应用于医学超声图像分析，然而网络设计需要较强专业知识。从零开始设计网络需要大量人力物力的投入，往往性能不是最佳。业界另一种方案是利用已有的在大规模自然图像上设计训练的网络迁移到医学图像上。但是，这种方案对应的原模型往往参数巨大，不能直接用于医学超声分析。对网络的改动需要较高的专业知识。
近年来有研究者提出神经网络架构搜索算法，可以自动设计神经网络。然而从零开始搜索设计网络需要大量计算资源和数据。然而由于医学图像分析中的数据缺乏，搜索得到的网络性能有限。
因而现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的不足，提供一种应用于医学超声图像的神经网络构建方法。
为了解决上述技术问题，本发明所采用的技术方案如下：
一种应用于医学超声图像的神经网络构建方法，其包括：
获取待处理的超声图像分析任务，并根据所述超声图像分析任务确定其对应的候选网络模型；
采用预设网络单元替换所述候选网络模型中的待替换模块，以得到搜索网络模型，其中，所述待替换模块为所述候选网络模型中满足预设条件的网络模块；
对所述搜索网络模型进行训练，以得到所述超声图像分析任务对应的网络模型。
所述应用于医学超声图像的神经网络构建方法，其中，所述获取待处理的超声图像分析任务，并根据所述超声图像分析任务确定其对应的候选网络模型具体包括：
获取待处理的超声图像分析任务，并确定所述超声图像分析任务的任务类型；
根据所述任务类型在预设网络模型数据库内选取所述任务类型对应的候选网络模型。
所述应用于医学超声图像的神经网络构建方法，其中，所述采用预设网络单元替换所述候选网络模型中的待替换模块，以得到搜索网络模型具体包括：
对所述候选网络模型中各模块进行分析，以得到各模块的性能参数；
根据所述性能参数确定所述候选网络模型中满足预设条件的替换模块，并采用预设网络单元替换所述待替换模块。
所述应用于医学超声图像的神经网络构建方法，其中，所述对所述搜索网络模型进行训练，以得到所述超声图像分析任务对应的网络模型具体包括：
对所述搜索网络模型进行训练，直至所述搜索网络模型满足搜索限制条件；
解析训练后的搜索网络模型的基础网络单元，其中，所述基础网络单元与所述预设网络单元相对应；
采用所述基础网络单元替换所述候选网络模型中的待替换模块，以得到所述超声图像分析任务对应的网络模型。
所述应用于医学超声图像的神经网络构建方法，其中，所述对所述搜索网络模型进行训练，直至所述搜索网络模型满足搜索限制条件具体为：
采用预设方法训练所述搜索网络模型，以对所述搜索网络模型的网络权重以及预设网络单元参数进行优化，直至所述搜索网络模型满足搜索限制条件。
所述应用于医学超声图像的神经网络构建方法，其中，所述解析训练后的搜索网络模型的基础网络单元具体为：
根据所述预设网络单元参数解析训练后的搜索网络模型的基础网络单元。
所述应用于医学超声图像的神经网络构建方法，其中，所述采用所述基础网络单元替换所述候选网络模型中的待替换模块，以得到所述超声图像分析任务对应的网络模型具体包括：
采用所述基础网络单元替换所述候选网络模型中的待替换模块，以得到验证网络模型；
检测所述验证网络模型是否满足预设要求；
若所述验证网络模型满足预设要求，则将所述验证网络模型作为超声图像分析任务对应的网络模型；
若所述验证网络模型未满足预设要求，则继续执行采用预设网络单元替换所述候选网络模型中的待替换模块的步骤，直至得到满足预设条件的验证网络模型。
所述应用于医学超声图像的神经网络构建方法，其中，所述预设网络单元的输入特征图像和输出特征图像的图像大小以及通道数分别与待替换模块的输入特征图像和输出特征图像的图像大小以及通道数相同。
一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述应用于医学超声图像的神经网络构建方法中的步骤。
一种电子设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述应用于医学超声图像的神经网络构建方法中的步骤。
有益效果：与现有技术相比，本发明提供了一种应用于医学超声图像的神经网络构建方法，所述方法包括获取待处理的超声图像分析任务，并根据所述超声图像分析任务确定其对应的候选网络模型；采用预设网络单元替换所述候选网络模型中的待替换模块，以得到搜索网络模型，其中，所述待替换模块所述候选网络模型中满足预设条件的模块；对所述搜索网络模型进行训练，以得到所述超声图像分析任务对应的网络模型。本发明通过将迁移学习和神经网络架构搜索相结合，利用神经网络架构搜索算法，在已有较为优秀的神经网络基础上，对部分参数量巨大的网络进行替换搜索，使得网络架构搜索能够结合已有大数据训练的特征提取能力。这样一方面使得网络搜索避免从头开始，提高搜索效率和稳定性；另一方面，结合专家网络能力与特定数据特性搜索的能力，最终使得搜索到的混合神经网络的模型参数少并且网络性能好。
附图说明
图1为本发明提供的应用于医学超声图像的神经网络构建方法的流程图。
图2为本发明提供的应用于医学超声图像的神经网络构建方法的流程示意图。
图3为本发明提供的应用于医学超声图像的神经网络构建方法中候选网络模型的示意图。
图4为本发明提供的应用于医学超声图像的神经网络构建方法中搜索网络模型的示意图。
图5为本发明提供的应用于医学超声图像的神经网络构建方法中预设网络单位的示意图。
图6为本发明提供的应用于医学超声图像的神经网络构建方法中基础网络单位的示意图。
图7为本发明提供的电子设备的结构原理图。
具体实施方式
本发明提供一种应用于医学超声图像的神经网络构建方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
图1是本实施例提供的一种应用于医学超声图像的神经网络构建方法的流程示意图。该方法可以由系统构建装置来执行，所述装置可以由软件实现，应用于诸如PC机、超声设备、服务器、智能手机、平板电脑或个人数字助理等之类的电子设备上。参见图1和图2，本实施例提供的一种应用于医学超声图像的神经网络构建方法，具体包括：
S10、获取待处理的超声图像分析任务，并根据所述超声图像分析任务确定其对应的候选网络模型。
具体地，所述待处理的超声图像分析任务为预先设置的，并且所述待处理的超声图像分析任务为构建得到的网络模型需要执行的任务，即，构建得到的网络模型为用于执行所述超声图像分析任务的网络模型。例如，所述待处理的超声图像分析任务为超声病灶分类任务，那么构建得到的网络对于其输入的超声图像可以输出其对应的病灶类型。故此，所述候选网络模型可以根据所述超声图像分析任务确定，并且可以执行所述超声图像分析任务。
进一步，在本实施例的一个实现方式中，所述获取待处理的超声图像分析任务，并根据所述超声图像分析任务确定其对应的候选网络模型具体包括：
S11、获取待处理的超声图像分析任务，并确定所述超声图像分析任务的任务类型；
S12、根据所述任务类型在预设网络模型数据库内选取所述任务类型对应的候选网络模型。
具体地，所述任务类型指的是所述超声图像分析任务需要实现的功能类型，例如，若超声图像分析任务为对超声病灶分类，那么所述超声图像分析任务对应的任务类型为分类任务；若超声图像分析任务为对超声图像进行病灶检测任务，那么超声图像分析任务的任务类型为检测任务。
进一步，所述预设网络模型数据库为预先建立的，所述预设网络模型数据库内存储有若干网络模型，在确定所述超声图像分析任务的任务类型后，可以根据所述任务类型在所述预设网络模型数据库查找所述任务类型对应的网络模型，并将选取到的网络模型作为后续网络模型。其中，在所述预设网络模型数据库内查找网络模型时，可以获取各网络模型的模型类型，并将任务类型与模型类型进行匹配，并将模型类型与任务类型相匹配的网络模型作为该任务类型对应的后续网络模型。其中，所述模型类型指的是网络模型可以实现的功能类型，例如，所述模型类型可以为分类网络以及检测网络等。
举例说明：若待处理的超声图像分析任务为对超声病灶分类任务，那么超声图像分析任务的任务类型为分类任务，分类任务对应的模型类型为分类网络，从而超声图像分析任务对应的候选网络模型为分类神经网络，则在预设网络模型数据库内可以选择当前ImageNet分类数据集上带预训练权重的网络模型(如ResNeXt)。若待处理的超声图像分析任务为针对病灶检测任务，那么超声图像分析任务的任务类型为检测任务，检测任务对应的模型类型为检测网络，超声图像分析任务对应的候选网络模型为检测神经网络，则在预设网络模型数据库内选择当前COCO检测数据集上带预训练权重的网络模型(如，CascadeMask-RCNN)。
进一步，在本实施例一个实现方式中，在根据任务类型在预设网络模型数据库内查找候选网络模型时，可能会查找到多个候选网络模型。而当查找到多个候选网络模型时，可以根据各候选网络模型对应的配置参数在多个候选网络模型中选取一候选网络模型，并将选取到的候选网络模型作为该超声图像分析任务对应的后续网络模型。相应的，在根据所述任务类型在预设网络模型数据库内选取所述任务类型对应的候选网络模型之后还可以包括：
判断查找到的候选网络模型的数量；
当所述数量为0时，提示操作失败；
当所述数量为1时，将查找到的候选网络模型作为所述超声图像分析任务对应的候选网络模型；
当所述数量大于1时，获取各候选网络模型对应的配置参数，并根据各候选网络模型的配置参数确定所述超声图像分析任务对应的候选网络模型。
具体地，所述配置参数为所述候选网络模型预先设置，其中，所述配置参数可以包括所需系统资源(例如，所需GPU显存等)、推理时间以及参数量等。在获取各配置参数后，根据所述配置参数选取性能最优的候选模型网络，并将选取到的候选模型网络作为该超声图像分析任务对应的候选模型网络，其中，所述性能最优可以为所需显存最小，推理时间最短，参数量最少、或者根据所需显存以及推理时间综合确定，例如，分别为所需显存和推理时间分别分值以及权重，并根据各权重将所需显存对应的分值以及推理时间对应的分值进行加权，最后根据加权得到的分值来选定候选网络模型，其中，可以所需显存越小分值越高，推理时间越短分值越高，最后将计算得到分值最高的候选网络模型作为超声图像分析任务对应的候选网络模型。
S20、采用预设网络单元替换所述候选网络模型中的待替换模块，以得到搜索网络模型，其中，所述待替换模块为所述候选网络模型中满足预设条件的网络模块。
具体地，所述预设网络单元为标准化模块，所述预设网络模型为采用轻量化操作集合搭建的基础网络单元。所述待替换模块为所述候选网络模型中的网络单元，采用预设网络单元替换所述待替换模块为将所述候选网络模型中的待替换模块替换为预设网络单元，其中，所述预设网络单元与所述待替换模型相对应，并所述预设网络单元的输入特征图像和输出特征图像的图像大小以及通道数分别与待替换模块的输入特征图像和输出特征图像的图像大小以及通道数。例如，候选网络模型如图3所示，采用预设网络单元cell1和预设网络单元cell2替换候选网络模型的模块block2和模型block3得到如图4所示的搜索网络模型。
进一步，在本实施例的一个实现方式中，如图5所示，所述预设网络单元包括两个输入和一个输出，两个输入分别为网络前两层的输出特征图，其中，所述网络前两层指的是位于所述待替换模块之前的两层网络。所述预设网络单元的内部结构包括两个预处理层，预处理层可以为1X1的卷积层，以通过1X1的卷积层将输入的两个特征图像的图像大小调节一致。同时，所述预设网络单元还包括N个节点数，其中，N为超参数，N的取值可以根据网络需求设置，例如，N为4等。此外，所述N个节点数中前两个节点记为s0和s1(即，前两个节点分别为两个输入节点)，其余的记为中间节点，每个中间节点均与前两个节点相连且对应为两条边。所有中间节点的输出叠加(concate)，作为预设网络单元的输出，节点与节点之间的每条边为操作集合所有网络层operations的加权和，权重为Alpha，其中，Alpha为随机初始化的网络结构参数。此外，所述节点表示特征图节点之间的箭头表示网络层；所述网络层可以包括但不限于Stepwise conv,MixConv,Maxpool,Squeeze-exciting block以及Dilation Conv等。
进一步，在本实施例的一个实现方式中，所述采用预设网络单元替换所述候选网络模型中的待替换模块，以得到搜索网络模型具体包括：
S21、对所述候选网络模型中各模块进行分析，以得到各模块的性能参数；
S22、根据所述性能参数确定所述候选网络模型中满足预设条件的替换模块，并采用预设网络单元替换所述待替换模块。
具体地，所述各模块的性能参数指的是各模块在推理过程中占用运行候选网络模型的电子设备的性能以及模块本身运行时长，例如，性能参数包括在候选网络模型在推理过程中模块所占用的显存和延时量。在获取到各模块对应的性能参数后，根据超声图像分析任务对应的限制条件以及各模块的性能参数确定需要优化的模块，例如，占显存最大或者推理时间最长的模块，或者参数量最大的模块等。其中，所述超声图像分析任务对应的限制条件可以包括用于运行该超声图像分析任务对应的网络模型的电子设备的硬件限制，或者网络模型推理时间限制等。
S30、对所述搜索网络模型进行训练，以得到所述超声图像分析任务对应的网络模型。
具体地，所述对所述搜索网络模型进行训练指的是采用训练样本对所述搜索网络模型的网络权重以及预设网络单元参数进行优化，所述训练过程的结束条件为所述搜索网络模型满足搜索限制条件，例如，训练次数达到预设训练次数阈值，或者搜索网络模型的收敛性满足预设条件等。相应的，所述对所述搜索网络模型进行训练，以得到所述超声图像分析任务对应的网络模型具体包括：
S31、对所述搜索网络模型进行训练，直至所述搜索网络模型满足搜索限制条件；
S32、解析训练后的搜索网络模型的基础网络单元，其中，所述基础网络单元与所述预设网络单元相对应；
S33、采用所述基础网络单元替换所述候选网络模型中的待替换模块，以得到所述超声图像分析任务对应的网络模型。
具体地，所述对所述搜索网络模型进行训练可以采用预设方法训练所述搜索网络模型，其中，所述预设方法可以为可微分搜索算法、超参数搜索算法、强化学习搜索算法以及遗传搜算法等。对所述搜索网络模型进行训练指的是采用预设方法训练所述搜索网络模型，以对所述搜索网络模型的网络权重以及预设网络单元参数进行优化，直至所述搜索网络模型满足搜索限制条件。此外，当所述搜索网络模型满足搜索限制条件，解析训练后的所述网络模型的基础网络单元，并将所述基础网络单元作为所述待替换模型对应的替换单元，即采用所述基础网络单元替换所述待替换模块。其中，如图6所示，所述基础网络单元为根据所述预设网络单元参数解析训练后的搜索网络模型得到的，所述基础网络单元为对所述预设网络单元进行训练得到的。
进一步，在本实施例的一个实现方式中，所述采用所述基础网络单元替换所述候选网络模型中的待替换模块，以得到所述超声图像分析任务对应的网络模型具体包括：
S331、采用所述基础网络单元替换所述候选网络模型中的待替换模块，以得到验证网络模型；
S332、检测所述验证网络模型是否满足预设要求；
S333、若所述验证网络模型满足预设要求，则将所述验证网络模型作为超声图像分析任务对应的网络模型；
S334、若所述验证网络模型未满足预设要求，则继续执行采用预设网络单元替换所述候选网络模型中的待替换模块的步骤，直至得到满足预设条件的验证网络模型。
具体地，所述预设要求为预先设置，所述预设要求可以包括性能条件以及资源限制条件，所述资源限制条件指的是所述验证网络模型判断配置所述超声图像分析任务对应的电子设备的系统资源是否可以运行所述验证网络模型，即电子设备的系统资源是否满足验证网络模型对系统资源的需求。所述性能条件指的是验证网络模型的推理时间和/或者推理准确性是否满足预设推理时间和/或者推理准确性的要求。
进一步，检测所述验证网络模型是否满足预设要求具体为在采用基础网络单元替换待替换模块形成验证网络模型后，加载超声图像分析任务对应的候选网络模型的预训练权重，并将基础网络单元参数进行随机初始化以得到所述验证网络模型的初始网络参数，之后在超声训练数据集上训练所述验证网络模型，并当所述验证网络模型训练完成后，判断训练好的验证网络模型是否满足预设要求。
基于上述应用于医学超声图像的神经网络构建方法，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述应用于医学超声图像的神经网络构建方法中的步骤。
基于上述应用于医学超声图像的神经网络构建方法，本发明还提供了一种电子设备，如图7所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及电子设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种应用于医学超声图像的神经网络构建方法，其特征在于，其包括：
获取待处理的超声图像分析任务，并根据所述超声图像分析任务确定其对应的候选网络模型；
采用预设网络单元替换所述候选网络模型中的待替换模块，以得到搜索网络模型，其中，所述待替换模块为所述候选网络模型中满足预设条件的网络模块；
对所述搜索网络模型进行训练，以得到所述超声图像分析任务对应的网络模型；
所述对所述搜索网络模型进行训练，以得到所述超声图像分析任务对应的网络模型具体包括：
对所述搜索网络模型进行训练，直至所述搜索网络模型满足搜索限制条件；
所述对所述搜索网络模型进行训练，直至所述搜索网络模型满足搜索限制条件具体为：
采用预设方法训练所述搜索网络模型，以对所述搜索网络模型的网络权重以及预设网络单元参数进行优化，直至所述搜索网络模型满足搜索限制条件。
2.根据权利要求1所述应用于医学超声图像的神经网络构建方法，其特征在于，所述获取待处理的超声图像分析任务，并根据所述超声图像分析任务确定其对应的候选网络模型具体包括：
获取待处理的超声图像分析任务，并确定所述超声图像分析任务的任务类型；
根据所述任务类型在预设网络模型数据库内选取所述任务类型对应的候选网络模型。
3.根据权利要求1所述应用于医学超声图像的神经网络构建方法，其特征在于，所述采用预设网络单元替换所述候选网络模型中的待替换模块，以得到搜索网络模型具体包括：
对所述候选网络模型中各模块进行分析，以得到各模块的性能参数；
根据所述性能参数确定所述候选网络模型中满足预设条件的替换模块，并采用预设网络单元替换所述待替换模块。
4.根据权利要求1所述应用于医学超声图像的神经网络构建方法，其特征在于，所述对所述搜索网络模型进行训练，以得到所述超声图像分析任务对应的网络模型具体还包括：
解析训练后的搜索网络模型的基础网络单元，其中，所述基础网络单元与所述预设网络单元相对应；
采用所述基础网络单元替换所述候选网络模型中的待替换模块，以得到所述超声图像分析任务对应的网络模型。
5.根据权利要求4所述应用于医学超声图像的神经网络构建方法，其特征在于，所述解析训练后的搜索网络模型的基础网络单元具体为：
根据所述预设网络单元参数解析训练后的搜索网络模型的基础网络单元。
6.根据权利要求4所述应用于医学超声图像的神经网络构建方法，其特征在于，所述采用所述基础网络单元替换所述候选网络模型中的待替换模块，以得到所述超声图像分析任务对应的网络模型具体包括：
采用所述基础网络单元替换所述候选网络模型中的待替换模块，以得到验证网络模型；
检测所述验证网络模型是否满足预设要求；
若所述验证网络模型满足预设要求，则将所述验证网络模型作为超声图像分析任务对应的网络模型；
若所述验证网络模型未满足预设要求，则继续执行采用预设网络单元替换所述候选网络模型中的待替换模块的步骤，直至得到满足预设条件的验证网络模型。
7.根据权利要求1-6任一所述应用于医学超声图像的神经网络构建方法，其特征在于，所述预设网络单元的输入特征图像和输出特征图像的图像大小以及通道数分别与待替换模块的输入特征图像和输出特征图像的图像大小以及通道数相同。
8.一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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1～7任意一项所述应用于医学超声图像的神经网络构建方法中的步骤。
9.一种电子设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述应用于医学超声图像的神经网络构建方法中的步骤。
CN201911176652.XA 2019-11-26 2019-11-26 一种应用于医学超声图像的神经网络构建方法 Active CN111047563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911176652.XA CN111047563B (zh) 2019-11-26 2019-11-26 一种应用于医学超声图像的神经网络构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911176652.XA CN111047563B (zh) 2019-11-26 2019-11-26 一种应用于医学超声图像的神经网络构建方法

Publications (2)

Publication Number Publication Date
CN111047563A CN111047563A (zh) 2020-04-21
CN111047563B true CN111047563B (zh) 2023-09-01

Family

ID=70233482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911176652.XA Active CN111047563B (zh) 2019-11-26 2019-11-26 一种应用于医学超声图像的神经网络构建方法

Country Status (1)

Country Link
CN (1) CN111047563B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783937A (zh) * 2020-05-19 2020-10-16 华为技术有限公司 一种神经网络构建方法以及系统
CN113705276A (zh) * 2020-05-20 2021-11-26 武汉Tcl集团工业研究院有限公司 模型构建方法、模型构建装置、计算机设备及介质
CN111667055A (zh) * 2020-06-05 2020-09-15 北京百度网讯科技有限公司 用于搜索模型结构的方法和装置
CN111768379A (zh) * 2020-06-29 2020-10-13 深圳度影医疗科技有限公司 一种子宫三维超声图像的标准切面检测方法
CN112489012A (zh) * 2020-11-27 2021-03-12 大连东软教育科技集团有限公司 一种用于ct图像识别的神经网络架构方法
CN113590286A (zh) * 2021-07-28 2021-11-02 北京市商汤科技开发有限公司 任务处理系统和任务处理方法
CN115879508A (zh) * 2022-09-30 2023-03-31 华为技术有限公司 一种数据处理方法及相关装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919304A (zh) * 2019-03-04 2019-06-21 腾讯科技（深圳）有限公司 神经网络搜索方法、装置、可读存储介质和计算机设备
CN110175671A (zh) * 2019-04-28 2019-08-27 华为技术有限公司 神经网络的构建方法、图像处理方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931906A (zh) * 2020-07-14 2020-11-13 北京理工大学 一种基于结构搜索的深度神经网络混合精度量化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919304A (zh) * 2019-03-04 2019-06-21 腾讯科技（深圳）有限公司 神经网络搜索方法、装置、可读存储介质和计算机设备
CN110175671A (zh) * 2019-04-28 2019-08-27 华为技术有限公司 神经网络的构建方法、图像处理方法及装置

Also Published As

Publication number Publication date
CN111047563A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111047563B (zh) 一种应用于医学超声图像的神经网络构建方法
CN107908803B (zh) 问答交互的响应方法及装置、存储介质、终端
US11144831B2 (en) Regularized neural network architecture search
US11790238B2 (en) Multi-task neural networks with task-specific paths
CN109740657B (zh) 一种用于图像数据分类的神经网络模型的训练方法与设备
JP7287397B2 (ja) 情報処理方法、情報処理装置及び情報処理プログラム
CN111275172B (zh) 一种基于搜索空间优化的前馈神经网络结构搜索方法
CN106570197B (zh) 基于迁移学习的搜索排序方法和装置
JP2023523029A (ja) 画像認識モデル生成方法、装置、コンピュータ機器及び記憶媒体
WO2020057593A1 (zh) 一种卷积神经网络的卷积处理方法、装置及存储介质
US20230401833A1 (en) Method, computer device, and storage medium, for feature fusion model training and sample retrieval
KR20210102039A (ko) 전자 디바이스 및 이의 제어 방법
CN113743277A (zh) 一种短视频分类方法及系统、设备和存储介质
CN117371511A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN115186738B (zh) 模型训练方法、装置和存储介质
WO2022252694A1 (zh) 神经网络优化方法及其装置
WO2022127603A1 (zh) 一种模型处理方法及相关装置
CN112199285B (zh) 一种测试案例优选方法、装置及电子设备
CN114997360A (zh) 神经架构搜索算法的演化参数优化方法、系统及存储介质
CN114625886A (zh) 基于知识图谱小样本关系学习模型的实体查询方法及系统
CN111291182A (zh) 热点事件发现方法、装置、设备及存储介质
CN117609870B (zh) 结构识别模型训练、模型结构识别方法、设备及介质
CN115661847B (zh) 表格结构识别及模型训练方法、装置、设备和存储介质
CN117114087B (zh) 故障预测方法、计算机设备和可读存储介质
CN113743448B (zh) 模型训练数据获取方法、模型训练方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant