[發明專利]一種流形相似度保持自編碼器的醫學超聲圖像檢索方法

有效

• 申請號: 202011496971.1
• 申請日: 2020-12-17
• 公開（公告）號: CN112528065B
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 曾憲華;唐紅梅
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06F16/55;G06V10/46;G06V10/764
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 李金蓉

本發明請求保護一種流形相似度保持自編碼器的醫學超聲圖像檢索方法，包括：首先，遵循局部不變性思想，利用基于監督信息的拉普拉斯特征映射算法獲得原始數據的最優低維嵌入，使得其類內差異小于類間差異，并將其閾值化生成保持同樣特性的二進制編碼；再通過約束該編碼與自編碼器生成的哈希編碼的漢明相似度，使得自編碼器模型在提供強大表征能力的同時保持局部結構相似性不變，由此學習到泛化能力強的哈希函數。本方法的實現，能夠使得模型生成的哈希編碼最大程度保持原始數據的局部流形結構相似信息，從而大大提高大規模圖像檢索的速度及準確度，輔助醫療診斷，提升醫生的工作效率，降低醫療成本。

技術領域

本發明屬于醫學圖像處理領域，具體為結合基于監督信息的拉普拉斯特征映射算法和自編碼器模型實現醫學超聲圖像哈希檢索。

背景技術

近些年來，隨著互聯網的迅速發展，各種pc端和移動終端個性化，造成數據存儲媒體及存儲形式多種多樣，每天所產生的數據高達數百萬。人們的需求也日益多樣化，如何從大規模的數據中快速高效地提取有效信息，這是目前急需解決的問題。哈希學習方法在處理大規模數據時非常高效，且占用的存儲空間相對較小，因此近年來成為了眾多學者的研究熱點。哈希學習旨在將原始空間高維的數據轉換成低維二進制編碼，使得原始空間相似的數據在映射到漢明空間后仍然相似，從而大大提高檢索效率。

基于自編碼器的哈希算法被應用于圖像檢索、文本檢索、視頻檢索、跨模態檢索等領域。自編碼器哈希模型將哈希編碼重構回輸入空間，通過最小化重構損失，使得哈希編碼盡可能保留原始輸入的重要信息。然而，僅考慮重構誤差往往不能達到好的效果，不能保證映射到漢明空間的哈希編碼保持了原始輸入的局部幾何結構分布，這不利于學習到泛化能力強的哈希函數。

發明內容

本發明旨在解決以上現有技術的問題。提出了一種能使得學習到的哈希編碼保持局部流形結構信息，從而提高檢索準確度及速度的圖像檢索方法。本發明的技術方案如下：

1)、提取超聲圖像訓練集中每一幅圖像的SIFT特征，按照標簽相同的圖像對之間距離小于標簽不同圖像對之間的距離，構造標簽約束的歐氏距離矩陣。

2)、通過轉換后求得的距離求解樣本鄰域，計算流形相似度，將其作為邊的權重矩陣構造最近鄰圖，計算拉普拉斯矩陣。

3)、通過拉普拉斯特征值映射并對低維嵌入閾值化，獲得樣本的最優初始哈希編碼，該哈希編碼能夠很好地保持原始數據的局部流形結構相似信息。

4)、利用局部不變性思想，在自編碼器生成的哈希編碼與上述生成的最優初始哈希編碼間構建流形相似度保持的損失，以及在原輸入與解碼器對原輸入的重構間構建重構損失。

5)、引入編碼器生成的哈希編碼作為中間變量，采用交替優化策略，將自編碼器模型的訓練過程分為三個獨立的子步驟：優化編碼器，重復直到達到預設的編碼長度；求解線性回歸函數優化解碼器；優化每個樣本對應的哈希編碼。

本發明的優點及有益效果如下：

本發明創新點：1)拉普拉斯特征映射算法與監督信息相結合。原始的拉普拉斯特征映射算法在求解樣本鄰域，計算流形相似度時利用原始歐式距離求解近鄰域，沒有考慮標簽信息，然而這些類標簽信息對于提取到鑒別性好的特征是很重要的。本發明利用標簽對原始歐式距離進行轉換，使得樣本類內差異小于類間差異，獲得原始輸入的最優低維表示，將其閾值化得到保持局部流形結構相似信息的哈希編碼。2)將局部不變性約束實現到自編碼器中。原始的自編碼器只考慮了重構誤差，不能保證映射到漢明空間的哈希編碼保持原始輸入的局部流形結構信息，不利于學習高質量的哈希函數。本發明通過約束自編碼器生成的哈希編碼與1)中所述哈希編碼的漢明距離，使得自編碼器生成的哈希編碼同樣盡可能保持局部鄰域結構不變，以學習到泛化能力更強的哈希函數。

附圖說明

圖1是本發明提供優選實施例的算法框架圖。

具體實施方式