[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

说明书

本发明公开了一种基于时阈聚焦图网络的NAFLD超声视频分类方法，该方法通过结合时阈聚焦图网络和损失函数，对输入的肝脏超声视频分类，从而判断是否患有NAFLD。其中，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；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。本发明能够解决现有NAFLD诊断中存在的耗时、专业要求高、误判的问题，提供一种可靠、高效的NAFLD自动诊断方法。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于时阈聚焦图网络的NAFLD超声视频分类方法。

背景技术

超声视频凭借其无创性和低成本的优势被广泛应用于非酒精性脂肪性肝病(NAFLD)的诊断，然而，大多数的现有NAFLD诊断方法聚焦于关键帧中的NAFLD诊断而非直接对视频进行诊断，导致面临以下几个问题：(1)耗时性与专业性要求：现有方法要求医生浏览整个视频去人工提取关键帧，这在临床诊断的过程中带来了极大的不便性；(2)对于某些包含噪声或特征较弱的帧较为敏感：由于在图像层次的分类过程中，每一帧的分类与其它帧都是相互独立的，因此，对于一些包含噪声或特征较弱的帧，很容易发生误判；(3)中间误差：基于关键帧的方法一般分为两步，第一步提取关键帧，第二步根据关键帧进行诊断，在这种情况下，第一步产生的主观误差会累积进而影响后续的诊断步骤。

发明内容

为解决上述问题，本发明提供了一种基于时阈聚焦图网络的NAFLD超声视频分类方法。

本发明采用以下技术方案：

一种基于时阈聚焦图网络的NAFLD超声视频分类方法，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从而判断是否患有NAFLD；

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。

进一步地，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。

进一步地，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分别表示结点与边的集合，特别地，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：