[發明專利]一種支持向量數據描述的胸部影像異常檢測方法

有效

• 申請號: 202010011696.3
• 申請日: 2020-01-06
• 公開（公告）號: CN111242906B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 陳華華;陳哲;郭春生;應娜;葉學義
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G16H50/20
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

1.一種支持向量數據描述的胸部影像異常檢測方法，包括訓練階段和測試階段，其特征在于：

所述的訓練階段具體方法是：

步驟(1).獲取訓練數據集；

所述的訓練數據集由正常胸部影像數據構成，對訓練數據集進行尺度規范化，并進行灰度歸一化處理，將數據灰度值縮小到0到1；

步驟(2).構建和訓練深度稀疏變分自編碼器；

所述的深度稀疏變分自編碼器包括編碼網絡和解碼網絡；編碼網絡對輸入數據進行特征提取，并重采樣形成新特征；解碼網絡對編碼網絡生成的新特征進行解碼，解碼網絡輸出的數據和編碼網絡輸入的數據相同；

所述的編碼網絡依次由卷積模塊層、全連接層、采樣層模塊和隱藏層構成；

卷積模塊層由三個卷積模塊構成，每個卷積模塊依次為多個大小是3×3的卷積核，池化層為核大小是2×2的最大池化層，池化層后接激活層；第一卷積模塊卷積核數量為32，第二卷積模塊卷積核數量為64，第三卷積模塊卷積核數量為128；所有卷積核滑動步長為2，零邊緣填充為1，激活層均使用Relu函數作為激活函數；

卷積模塊層后連接一個全連接層，全連接層輸入維數為2048，輸出維數為1024；

采樣模塊層包括三個并聯的采樣層，分別用于生成隱藏層隱變量z的均值μ、對數方差σ²、對數峰值概率γ，

隱藏層用于生成隱變量z，采用兩個輔助噪聲參數ε和η對采樣模塊層輸出進行重新采樣得到z：z＝(ε⊙σ+μ)⊙(Sigmoid(apex×(η-1+γ)))；其中，用于從平板分布中采樣；用于尖峰概率γ的采樣；apex表示峰值，為10～100的整數，⊙表示矢量之間的對位相乘；

解碼網絡依次由四個反卷積層和一個激活層構成；

第一反卷積層包含128個大小是3×3的卷積核，第二反卷積層包含64個大小是3×3的卷積核，第三反卷積層包含32個大小是3×3的卷積核，該三個反卷積層卷積核滑動步長均為4；第四反卷積層包含1個大小是3×3的卷積核，卷積核滑動步長為1；

激活層函數使用Sigmoid函數，用于復原輸入數據；

使用釘板分布作為先驗模擬z_i所在空間的稀疏性，釘板分布定義在兩個變量上：二元尖峰變量和連續平板變量；連續平板變量為高斯分布；尖峰變量取值為1或0，分別具有定義的概率α和1-α；訓練的目標函數如下：

為輸入圖像數據；為X_i的編碼網絡的輸出隱變量；α為z_i中每一維非零的概率；J為z_i所在空間的維度，J＝1024；L為樣本的數量，σ[j]、μ[j]、γ[j]為矢量的第j個元素；訓練優化器采用Adam優化器，采用自適應下降的學習率在訓練數據集上訓練迭代N_1次后結束，批大小為B_1；

訓練結束時獲得訓練數據集的隱藏層特征的均值c，

步驟(3).構建和訓練深度支持向量數據描述網絡；

在深度稀疏變分自編碼器的基礎上構建深度支持向量數據描述網絡；深度支持向量數據描述網絡由步驟(2)訓練得到的編碼網絡和全連接層組成；將訓練數據輸入到深度支持向量數據描述網絡，以訓練階段結束時得到的均值c作為超球體中心，該模型訓練的目標函數為全連接層輸出特征到超球體中心的歐氏距離；訓練優化器采用Adam優化器，采用自適應下降的學習率在訓練數據集上訓練迭代M_1次結束，批大小為B_2；

測試階段具體方法是：

步驟(Ⅰ).對測試圖像進行尺度規范化，并進行灰度歸一化處理，將數據灰度值縮小到0到1，得到測試數據XT_i，

步驟(Ⅱ).將測試數據XT_i輸入到訓練好的深度支持向量數據描述網絡中，得到輸出zt_i，由異常分數計算公式計算得到對應的異常分數st_i，以及對應的ROC曲線，st_i＝||zt_i-c||²；將ROC曲線上距離坐標圖左上方的點(0,1)處最近的點對應的異常分數作為最佳閾值th：若st_i≤th，判定為正常；若st_i＞th，判定為異常。

2.如權利要求1所述的一種支持向量數據描述的胸部影像異常檢測方法，其特征在于：所述的函數Sigmoid(k)＝1/(1+e^-k)。