[发明专利]一种基于进化多目标神经网络架构构造的图像分类方法

说明书

本发明公开了一种基于进化多目标神经网络架构构造的图像分类方法，包括：构建用于图像分类的神经网络；设置基于搜索结构单元Cell的搜索空间，通过搜索单元Cell来替代搜索整个神经网络结构；通过搜索得到满足预设要求的Cell，对其进行堆叠，并结合预设的神经网络参数构成完整的神经网络；利用基于分解的自适应混合多目标进化算法的神经网络架构搜索方法，对步所述神经网络的网络参数、架构，以分类错误率和计算复杂度两个目标进行双层优化，得到优化后的神经网络；对优化后的神经网络，利用所述训练集进行训练，并通过测试集测试，选取分类错误率最小的神经网络架构作为新冠肺炎CT图像分类模型用于图像分类。

技术领域

本发明涉及算法优化以及图像分类领域，具体涉及一种基于进化多目标神经网络架构构造的图像分类方法。

背景技术

图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。图像分类在很多领域有着广泛的应用，包括安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。快速识别新冠肺炎患者是目前医疗机构防控疫情的有效措施之一。病毒核酸测定会受到多种人为因素影响，也曾有病例被误诊出现假阴性或假阳性的结果。而CT影像识别采用大型、恒定的医疗设备，不会受到过多人为环节操作影响，相对稳定。国家卫健委在发布的《新型冠状病毒肺炎诊疗方案》中明确提出核酸检测结果应与CT影像临床诊断结果相互辅助，作为新冠肺炎确诊病例的判断标准。一位新冠肺炎病人的二维CT影像约300张，且早期CT影像特点为肺部多发小斑片状磨玻璃影等细微变化，如果完全以医生的肉眼分析，一个病例就需要耗时约5到15分钟，如果需要进行大范围病毒筛查，工作量将是巨大的。目前，世界范围内已发现多种新冠病毒变异毒株，这些毒株使得患者的CT影像特点更复杂，更加难以识别。

借助神经网络进行图像分类以识别患者，医生可以将最新的大量新冠肺炎确诊病例的CT影像作为数据集，对神经网络进行训练。训练后的神经网络可以快速鉴别新冠肺炎影像与普通病毒性肺炎影像，并且具有较高的识别准确率。

早期许多人工设计的网络架构在各领域都取得了卓越的成效。但随着深度学习领域研究的不断深入，神经网络架构的层次正逐渐增加，人工设计的难度增加。随着科技发展，一个新兴的领域—神经网络架构搜索逐渐成为深度学习领域的热点研究方向。

早期许多用于图像分类的网络架构由人工设计并取得卓越成效，但随着深度学习领域研究的不断深入，神经网络架构的层次正逐渐增加，人工设计的难度增加。

发明内容

本发明的目的是提供一种基于进化多目标神经网络架构构造的图像分类方法，用以解决现有技术存在问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于进化多目标神经网络架构构造的图像分类方法，包括以下步骤：

构建用于图像分类的神经网络，包括：

构建新冠肺炎CT图像数据集，包括新冠肺炎阳性CT图像和新冠肺炎阴性 CT图像两类，并对其进行训练集和测试集的划分；

设置基于搜索结构单元Cell的搜索空间，通过搜索单元Cell来替代搜索整个神经网络结构；通过搜索得到满足预设要求的Cell，对其进行堆叠，并结合预设的神经网络参数构成完整的神经网络；

利用基于分解的自适应混合多目标进化算法的神经网络架构搜索方法，对步所述神经网络的网络参数、架构，以分类错误率和计算复杂度两个目标进行双层优化，得到优化后的神经网络；

对优化后的神经网络，利用所述训练集进行训练，并通过测试集测试，选取分类错误率最小的神经网络架构作为新冠肺炎CT图像分类模型；

获取待分类的CT图像，将CT图像输入到新冠肺炎CT图像分类模型中，得到CT图像的分类结果。