[发明专利]一种基于时阈聚焦图网络的NAFLD超声视频分类方法

权利要求书

1.一种基于时阈聚焦图网络的NAFLD超声视频分类方法，其特征在于：包括以下步骤：

S1、将一段肝脏超声视频输入时阈聚焦图网络，所述时阈聚焦图网络由三个子网络组成，分别是特征提取网络、局部连接时阈图网络和全局连接时阈图网络，所述特征提取网络对每一帧进行编码，得到整个视频的特征向量序列F；

S2、局部连接时阈图网络构建稀疏图并判定每一帧属于NAFLD的分类概率p；

S3、全局连接时阈图网络构建稠密图并判定每一帧对最终视频分类的重要性程度a；

S4、结合步骤S2所述的分类概率p和步骤S3所述的重要性程度a，计算最终视频整体的分类概率

所述步骤S4中最终视频整体的分类概率可表示如下：

S5、计算损失函数，优化分类结果，所述损失函数由二进制交叉熵损失和区间聚焦损失两部分组成。

2.如权利要求1所述的一种基于时阈聚焦图网络的NAFLD超声视频分类方法，其特征在于：步骤S1具体为：给定一段肝脏超声视频V＝{I_t|t＝1,2,...T}，其中，I_t表示视频中的第t帧，T表示视频长度，经过特征提取网络对每一帧进行编码，得到整个视频的特征向量序列F＝{F_t|t＝1,2,...T}，其中F_t表示视频中第t帧对应的特征向量。

3.如权利要求2所述的一种基于时阈聚焦图网络的NAFLD超声视频分类方法，其特征在于：所述步骤S2中的所述局部连接时阈图网络基于所述特征提取网络获得的特征向量序列F＝{F_t|t＝1,2,...T}，构建稀疏图G_cls＝(V_cls,E_cls,F_t)，其中，V和E分别表示结点的集合与边的集合，稀疏图的邻接矩阵定义如下：

其中，元素表示第i帧与第j帧之间的关联性，即边的权重，帧之间的距离越近，关联性越高，反之越低，r表示连接所连接的帧之间的最长距离，仅距离小于r的帧之间存在相连的边，对上述的邻接矩阵进行归一化处理如下：

其中，I∈R^T×T是一个单位矩阵，用于建立自连接，而代表对应的度矩阵，再经过两个图卷积层与激活函数之后，最终得到概率分布如下：

其中，和是可训练的参数矩阵，σ表示sigmoid函数。

4.如权利要求3所述的一种基于时阈聚焦图网络的NAFLD超声视频分类方法，其特征在于：所述步骤S3中的所述全局连接时阈图网络基于所述特征提取网络获得的特征向量序列F＝{F_t|t＝1,2,...T}，构建稠密图G_att＝(V_att,E_att,F_t)，其中，V和E分别表示结点的集合与边的集合，稠密图的邻接矩阵定义如下：

其中，元素表示第i帧与第j帧之间的关联性，即边的权重，帧之间的距离越近，关联性越高，反之越低，r表示连接所连接的帧之间的最长距离，仅距离小于r的帧之间存在相连的边，对上述的邻接矩阵进行归一化处理如下：

其中，I∈R^T×T是一个单位矩阵，用于建立自连接，而代表对应的度矩阵，再经过两个图卷积层与激活函数之后，最终得到概率分布如下：

其中，和是可训练的参数矩阵，σ表示sigmoid函数。

5.如权利要求4所述的一种基于时阈聚焦图网络的NAFLD超声视频分类方法，其特征在于：所述步骤5中的损失函数的数学表达式如下：L＝L_BCE+λ₁×L_IFL,其中，L_BCE表示二进制交叉熵损失，L_IFL表示区间聚焦损失，λ₁是控制二进制交叉熵损失和区间聚焦损失之间相对重要性的比例因子。

6.如权利要求5所述的一种基于时阈聚焦图网络的NAFLD超声视频分类方法，其特征在于：所述λ₁设为1。