[發明專利]基于異常檢測和半監督的超聲關鍵幀自主識別方法

有效

• 申請號: 202110010282.3
• 申請日: 2021-01-04
• 公開（公告）號: CN112908465B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 黃慶華;習佳寧;李學龍
• 申請（專利權）人: 西北工業大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06V10/774
• 代理公司: 西安凱多思知識產權代理事務所(普通合伙) 61290
• 代理人: 王鮮凱

1.一種基于異常檢測和半監督的超聲關鍵幀自主識別方法，其特征在于步驟如下：

步驟1，構建超聲視頻幀數據集：利用超聲探頭對人體不同組織區域進行視頻幀采集，得到帶位置坐標的超聲視頻數據集X＝[x₁,x₂,...,x_n]，其中，x_i表示第i個超聲視頻幀，i＝1,2…,n，n為數據集包括的視頻幀總數；所述的組織區域包括脖子、胸部、手臂、腹部、后背、腰部和大腿；

步驟2，變分自編碼器對超聲幀的正態編碼向量提取：首先，根據無監督方式的變分自編碼器VAE的框架，分別構建編碼網絡和解碼網絡，其中，編碼網絡由三層神經網絡構成，其輸入為超聲視頻幀x_i，以及從m維的標準正態分布N(0,I_m)隨機采樣的相應隨機向量ε_i，I_m為m維單位矩陣，m由用戶預設的正整數，取值范圍為[2000,10000]，i∈[1,…,n]，設編碼網絡的網絡參數集合為φ；編碼網絡的輸出為超聲視頻幀x_i為所對應的編碼向量z_i，(μ_φ)_i為編碼向量z_i的均值，維度為m×1，(Σ_φ)_i為編碼向量z_i的協方差矩陣，維度為m×m，正態分布函數N((μ_φ)_i,(Σ_φ)_i)構成編碼向量z_i的后驗概率函數q_φ(z_i|x_i)；解碼網絡也由三層神經網絡構成，其輸入為編碼向量z_i，輸出為通過編碼向量z_i對超聲視頻幀x_i進行重建的重建似然函數p_θ(x_i|z_i)，i∈[1,…,n]，θ表示解碼網絡的網絡參數集合；

然后，通過隨機梯度下降法對下式進行優化，得到編碼器網絡和解碼器網絡參數φ和θ以及各超聲視頻幀的編碼向量z_i，i∈[1,…,n]：

其中，表示似然函數p_θ(x_i|z_i)的對數關于后驗概率函數q_φ(z_i|x_i)＝N((μ_φ)_i,(Σ_φ)_i)的期望值，D_KL{q_φ(z_i|x_i)||N(0,I_m)}表示q_φ(z_i|x_i)和N(0,I_m)的KL散度；

步驟3，無監督離群點檢測方式的超聲關鍵幀預篩選：設定分位數α＝0.05，對于數據集中的超聲視頻幀x_i，i＝1,2…,n，當其重建概率p_i小于分位數α時，判定該視頻幀為離群點，并將其作為候選關鍵幀；否則，判定該輸入幀為平凡幀；

所述的重建概率p_i按以下過程計算得到：從m維的標準正態分布N(0,I_m)進行K次采樣，得到超聲視頻幀x_i的相應隨機向量K在[1000,10000]內取值；將x_i和作為輸入，通過步驟2的編碼網絡，得到均值(μ_φ)_i、協方差矩陣(Σ_φ)_i和編碼向量再將每個編碼向量代入解碼網絡，計算出相應的重建似然函數得到所有K個重建概率；將這K個重建概率的均值，作為超聲視頻幀x_i最終的重建概率，即

步驟4，標注約束相似圖半監督學習視頻幀低秩分解：首先，對于步驟3從n個超聲視頻幀中所篩選出的L個候選關鍵幀，從中隨機選擇l個幀進行標注，得到關系記錄矩陣C_l×c，其中，lL，關系記錄矩陣的第i行j列元素[C_l×c]_i,j＝1表示所選擇的第i個候選關鍵幀屬于第j類關鍵幀，[C_l×c]_i,j＝0表示所選擇的第i個候選關鍵幀不屬于第j類，i＝1,2…,l，j＝1,2…,c，前c-1個類為不同類型的關鍵幀類別，第c類為平凡幀類別；

然后，按下式構建用于描述半監督學習標注關系的標注約束矩陣Y：

其中，I_n-l表示(n-l)維單位矩陣；

接著，構建標注約束低秩分解的半監督學習優化函數如下：

其中，矩陣Z＝[z₁,z₂,...,z_n]為由n個超聲視頻幀通過步驟2得到的編碼向量所構成的編碼向量矩陣，維度為m×n，矩陣U為從原始m維編碼向量特征到k維低秩特征的線性映射矩陣，維度為m×k；矩陣V為潛變量矩陣，其中，v_i為k維的非負向量，向量v_i中元素的初始值為(0,1)區間內等概率隨機產生，i＝1,2…,c+(n-l)，k是由用戶預設的正整數，在[100,2000]內取值；W為n×n維的相似性矩陣，其對角線元素取值均設置為1，非對角線元素w_ij為第i個編碼向量z_i和第j個編碼向量z_j的熱核函數權重，按照w_ij＝exp{-||z_i-z_j||²/σ}計算得到，σ為擴散系數，由用戶設定，取值范圍為(0,+∞)；D為度矩陣，是以相似性矩陣W的每行之和分別作為對角線元素的對角矩陣；λ是相似性正則化項的調諧參數，取值由用戶設定，取值范圍為(0,+∞)；β是線性映射矩陣正則化項的調諧參數，取值由用戶設定，取值范圍為(0,+∞)；

采用交替方向乘子法求解上述半監督學習優化函數，得到矩陣U和V；

步驟5，視頻幀編碼向量低秩偽逆的關鍵幀自主識別：對于新獲取的超聲視頻幀x_n+1，按照下式得到其預測向量

其中，z_n+1為按照步驟2方法獲得的該視頻幀的編碼向量；

記錄預測向量中最大元素值的位置序號i_n+1，再記錄步驟4所得的標注約束矩陣Y中第i_n+1行中元素值為1的列序號j_n+1；若j_n+1屬于[1,c-1]之內，則將超聲視頻幀x_n+1視為第j_n+1類關鍵幀；若j_n+1＝c，則將超聲視頻幀x_n+1視為平凡幀。