[发明专利]基于进化神经网络结构搜索食管癌病变区域识别建模方法

说明书

本发明公开了一种基于进化神经网络结构搜索的食管癌病变区域识别建模方法，涉及图像模式识别及医学图像的技术领域，包括如下步骤：S1：采集并标注用于训练神经网络模型的食管图像数据集；S2：构建用于食管癌病变区域识别的神经网络结构搜索空间；S3：训练面向食管癌病变区域识别的超网络模型；S4：使用进化算法在构建的超网络模型上搜索最优神经网络结构；S5：微调搜索到的神经网络结构，并预测新输入的食管图像上的病变区域。本发明消除食管癌智能识别任务中神经网络结构设计对于专家经验的依赖，使得深度神经网络方法在食管癌病变区域识别方面更加容易使用。

技术领域

本发明涉及图像模式识别及医学图像的技术领域，具体的涉及一种基于进化神经网络结构搜索食管癌病变区域识别建模方法。

背景技术

食管癌(Esophageal Cancer, EC)是一种致死率极高的恶性疾病[A. K. Rustgiand H. B. El-Serag, “Esophageal carcinoma,” New England Journal of Medicine,vol. 371, no. 26, pp. 2499–2509, 2014.]，研究表明其5年生存率低于20%[ X.-X.Chen, Q. Zhong, Y. Liu, S.-M. Yan, Z.-H. Chen, S.-Z. Jin, T.-L. Xia, R.-Y.Li, A.-J. Zhou, Z. Su et al., “Genomic comparison of esophageal squamous cellcarcinoma and its precursor lesions by multi-region whole-exome sequencing,”Nature Communications, vol. 8, no. 1, pp. 1–12, 2017.]。胃镜检查目前已被广泛用于早期食管癌的诊断，可以为早期的干预和治疗提供指导。在临床检查中，窄带光成像(narrow-band imaging, NBI)技术常用于食管病变区域的识别[Y. Horiuchi, K.Aoyama, Y. Tokai, T. Hirasawa, S. Yoshimizu, A. Ishiyama, T. Yoshio, T.Tsuchida, J. Fujisaki, and T. Tada, “Convolutional neural network fordifferentiating gastric cancer from gastritis using magnified endoscopy withnarrow band imaging,” Digestive Diseases and Sciences, pp. 1–9, 2019.]，并且已有相关研究表明NBI相比普通白光内镜具有更高的食管癌诊断准确率[Z. Su, L. Wang,S. Wei, X. Wei, Y. Kong, W. Wang, R. Guo, and X. Shi, “Clinical diagnosticvalue of digestive endoscopic narrow-band imaging in early esophagealcancer,” Oncology Letters, vol. 17, no. 6, pp. 5481–5486, 2019.]。虽然内镜检查设备和成像技术已经取得了显著的进展，但是具有丰富临床经验和熟练操作技巧的医生目前仍然较为缺乏，这一情况在欠发达地区更为严重。另一方面，NBI图像中的食管癌病变区域通常展现出不规则、形变、位置随机以及背景内容复杂等特点，因此实现准确的识别非常困难，并且不同医生之间容易产生不一致的观察结果，影响食管癌早期诊断的准确性。