基于归一化流的胸部图像异常特征识别方法
本发明涉及图像识别领域,具体涉及一种基于归一化流的胸部图像异常特征识别方法。
背景技术:
1、现有的基于深度学习的胸部x光图像异常特征识别方法主要依赖于有监督分类模型或通用无监督重建模型,但在处理儿童胸部x光图像时,由于儿童胸部解剖结构特殊、图像背景复杂以及异常区域尺度变化明显,仍存在识别准确性不足的问题。
2、一方面,现有的无监督异常检测方法通常采用通用卷积网络进行特征提取,在对正常图像特征分布进行学习时,难以有效区分肋骨、软组织等正常结构纹理与异常区域纹理,容易受到肋骨遮挡、呼吸运动伪影等因素影响,从而导致特征提取过程中产生干扰,使异常区域识别结果出现偏差。另一方面,现有的基于重建误差的检测方法通常采用均方误差作为主要优化目标,其仅关注像素级差异,容易造成重建图像细节信息损失,进而使得异常区域边缘特征表达不充分;同时,由于现有的归一化流网络在特征变换过程中通常采用固定结构的子网络,缺少针对不同图像特征的动态调节能力,所以使得模型难以充分适应不同尺度、不同形态的异常特征变化。
3、因此,为解决以上问题,需要一种基于归一化流的胸部图像异常特征识别方法,能够提升特征表达能力、降低背景结构干扰,提高胸部x光图像异常识别的准确性。
技术实现思路
1、有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于归一化流的胸部图像异常特征识别方法,能够提升特征表达能力、降低背景结构干扰,提高胸部x光图像异常识别的准确性。
2、本发明的基于归一化流的胸部图像异常特征识别方法,包括如下步骤:
3、s1.获取胸部x光图像,并对胸部x光图像进行预处理,得到处理后的图像;
4、s2.将处理后的图像输入到改进的归一化流网络模型进行网络模型的训练,得到训练好的网络模型;
5、s3.将待测的胸部x光图像进行预处理后,输入到训练好的网络模型,得到图像异常识别结果。
6、进一步,所述改进的归一化流网络模型包括特征提取网络以及改进的归一化流网络;
7、所述特征提取网络采用宽残差网络;
8、所述改进的归一化流网络包括若干耦合层,每个耦合层的子网络中设置通道注意力模块,所述通道注意力模块用于对特征通道进行自适应权重调整。
9、进一步,将处理后的图像输入到改进的归一化流网络模型进行网络模型的训练,包括:
10、将处理后的图像输入到特征提取网络,提取对应的潜在特征;
11、将潜在特征输入到改进的归一化流网络进行可逆变换,实现特征重标定;
12、确定异常分界阈值;其中,若网络模型输出值大于或等于异常分界阈值,则判定为异常,否则,判定为正常。
13、进一步,通过多层卷积和残差连接结构对处理后的图像进行特征提取,并根据如下式子将处理后的图像映射为潜在特征:;
14、其中,表示处理后的图像,表示编码器网络,表示潜在特征。
15、进一步,将潜在特征输入到改进的归一化流网络进行可逆变换,实现特征重标定,包括:
16、通过多个可逆变换对潜在特征进行映射:
17、;其中,表示可逆变换函数,表示服从标准正态分布的隐变量;
18、通道注意力模块通过全局平均池化对每个通道进行压缩,得到通道级描述向量:
19、;
20、其中,表示通道注意力模块经过压缩后得到的第个通道的通道级描述向量;表示某一中间层输出特征图在第个通道上,空间坐标为处的特征值;表示中间层输出特征图的高度;表示中间层输出特征图的宽度;表示通道数;
21、通过包括非线性激活的两层全连接结构对通道依赖关系进行建模:
22、;
23、其中,、分别表示第一层和第二层全连接结构的权重矩阵,表示relu激活函数,表示sigmoid函数,为通道压缩率,表示对通道依赖关系进行激励后输出的通道权重向量;
24、通过对潜在特征对应的特征通道进行逐通道缩放实现特征重标定:
25、;
26、其中,表示经过通道注意力模块逐通道缩放后输出的新的第个特征通道;表示通道权重向量中的第个元素,即分配给第个通道的权重;表示潜在特征对应的第个特征通道。
27、进一步,根据如下式子确定改进的归一化流网络模型的损失函数:
28、;
29、其中,表示特征空间损失,用于约束潜在特征在归一化流变换后服从标准正态分布;表示图像重构损失,用于衡量原始图像与重构图像之间的结构差异;表示损失权重系数。
30、;
31、其中,表示隐变量所服从的标准正态分布的概率密度函数;表示雅可比矩阵的行列式;
32、;
33、其中,表示结构相似性指标函数;表示处理后的图像;表示重构图像;,表示解码器网络。
34、进一步,确定异常分界阈值,包括:
35、将若干输入图像分别对应的网络模型输出值按照从小到大进行排序,形成一个输出值序列,然后从输出值序列中依次取出输出值,将取出的一个输出值当做一个假设的异常分界值,并计算在该异常分界值下,网络模型的f1分数,从而形成一个f1分数序列,将f1分数序列中f1分数最大值对应的输出值作为异常分界阈值。
36、进一步,将联合异常评分作为网络模型输出值,并根据如下式子确定联合异常评分:;
37、其中,为联合异常评分;表示特征空间概率函数,用于衡量样本在正常特征分布下的偏离程度;;表示隐变量所服从的标准正态分布的概率密度函数;
38、表示像素空间重构误差函数,用于刻画影像结构层面的重构差异;;表示结构相似性指标函数;表示处理后的图像;表示重构图像;表示评分融合权重系数。
39、本发明的有益效果是:本发明公开的一种基于归一化流的胸部图像异常特征识别方法,通过获取并预处理胸部x光图像,将处理后的图像输入改进的归一化流网络模型进行训练,并利用训练后的网络模型实现异常特征的识别。其中,改进的归一化流网络引入了squeeze-and-excitation注意力机制以增强特征通道的自适应调节能力,同时结合结构相似性约束来优化损失函数,从而提高了图像结构信息的保持能力。本发明能够降低复杂背景的干扰,提升异常特征的提取精度,进而实现更加准确、稳定的胸部图像异常识别。
1.一种基于归一化流的胸部图像异常特征识别方法,其特征在于:包括:
2.根据权利要求1所述的基于归一化流的胸部图像异常特征识别方法,其特征在于:所述改进的归一化流网络模型包括特征提取网络以及改进的归一化流网络;
3.根据权利要求2所述的基于归一化流的胸部图像异常特征识别方法,其特征在于:将处理后的图像输入到改进的归一化流网络模型进行网络模型的训练,包括:
4.根据权利要求3所述的基于归一化流的胸部图像异常特征识别方法,其特征在于:通过多层卷积和残差连接结构对处理后的图像进行特征提取,并根据如下式子将处理后的图像映射为潜在特征:;
5.根据权利要求3所述的基于归一化流的胸部图像异常特征识别方法,其特征在于:将潜在特征输入到改进的归一化流网络进行可逆变换,实现特征重标定,包括:
6.根据权利要求1所述的基于归一化流的胸部图像异常特征识别方法,其特征在于:根据如下式子确定改进的归一化流网络模型的损失函数:
7.根据权利要求3所述的基于归一化流的胸部图像异常特征识别方法,其特征在于:确定异常分界阈值,包括:
8.根据权利要求3所述的基于归一化流的胸部图像异常特征识别方法,其特征在于:将联合异常评分作为网络模型输出值,并根据如下式子确定联合异常评分:;
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com