[发明专利]用于近似深入神经网络以用于解剖对象检测的方法和系统

说明书

本发明涉及用于近似深入神经网络以用于解剖对象检测的方法和系统。深入神经网络被训练成检测医学图像中的解剖对象。计算经训练的深入神经网络的近似，该近似减少经训练的深入神经网络的计算复杂性。使用经训练的深入神经网络的近似在患者的输入医学图像中检测解剖对象。

技术领域

本申请是申请号为201610296717.4、申请日为2016年5月6日、发明名称为“用于近似深入神经网络以用于解剖对象检测的方法和系统”的发明专利申请的分案申请。本发明涉及使用深入神经网络的解剖对象检测，并且更具体地涉及近似深入神经网络以用于解剖对象检测。

背景技术

在机器学习和模式识别方面的一个最大挑战在于维度灾难。维度灾难是指学习问题的复杂性随着数据维度中的线性增大而呈指数形式增长的概念。出于这一原因，通常通过特征提取的维度减小技术预处理数据以便提取可以由机器学习分类器有效地处置的数据的有意义且紧凑的表示。因而，数据表示是影响人造智能系统的性能的重要因素。

深入学习模仿哺乳动物大脑行为以便从高维度输入提取有意义的表示。数据通过网络的多个层传递。主要层提取低水平线索，诸如用于自然图像的边缘和角落。更深入的层将来自之前各层的简单线索复合成更高水平的特征。这样，在网络结尾处出现强有力的表示。深入网络的逐步构造防止学习过早地暴露于高复杂性的数据。若干理论工作示出某些分类的函数（例如指示符函数）可以由深入网络表示，但是要求具有非充分深度的网络的指数计算。

最近，已经以高精度向图像中的模式识别问题应用深入学习。然而，深入网络的益处是以评估阶段期间的高计算成本为代价的。特别地，完全连接的深入网络具有比传统机器学习分类器（诸如线性支持向量机（SVM）和随机森林分类器）缓慢的幅度量级。合期望的是改进深入网络的运行时间速度以使得这样的深入学习技术对于各种应用（对于高计算平台，所述应用包括诸如移动电话和计算机平板设备）更加实用。

已经尝试各种方案来改进深入学习的计算方面。图形处理单元（GPU）已经示出以若干幅度量级加速训练。然而，大多数广泛使用的计算设备未装备有强有力的GPU。加速这样的深入网络的另一方式是卷积网络，诸如卷积神经网（CNN）或卷积深入信任网。还可以使用可分离滤波器来改进卷积网络的速度。然而，这些方案要求数据具有张量结构，其限制这样的深入学习技术的应用范围。此外，卷积网络和可分离滤波器可能由于它们强加于深入网络的滤波器上的结构而使总体分类精度降级。

发明内容

本发明提供一种用于近似深入神经网络以用于解剖对象检测的方法和系统。本发明各种方法的实施例是减小经训练的深入神经网络的计算复杂性。本发明的实施例使用所近似的深入神经网络执行医学图像数据中的解剖对象检测，所近似的深入神经网络在计算上比原始训练用于对象检测任务的深入神经网络更高效。

在本发明的实施例中，深入神经网络被训练成检测医学图像中的解剖对象。计算经训练的深入神经网络的近似，该近似减小经训练的深入神经网络的计算复杂性。使用经训练的深入神经网络的近似来在所接收的患者的医学图像中检测解剖对象。