1.一种基于模糊哈希网络的医学图像检索方法,其特征在于,包括以下步骤:S1:建立医学图像数据库,对数据库中的图像样本进行预处理,划分测试集和数据库,并从数据库中随机抽取n张图像作为查询集,为图像,为标签;
S2:基于模糊规则构建模糊哈希网络,该网络包括自注意力机制引导的数据模糊化机制和基于Transformer的后件参数学习机制;将数据通过高斯函数进行模糊化,在模糊空间中计算自注意力分数,使用残差连接并结合层归一化方法得到模糊表示;基于Transformer的后件参数学习机制由一个Transformer编码器、两个多层感知机组成;Transformer编码器负责去模糊化,两个多层感知机分别用于生成哈希码和预测类别;
所述步骤S2包括步骤如下:
S21:模糊哈希网络的模糊规则库定义如下:;
其中,为查询集的第i个样本,为第r个规则前件的自注意力引导的模糊化函数,为第r个规则前件的模糊化函数对应的输入数据,是第r个规则的后件,为第r个规则的输出,R为规则数;
S22:采用高斯函数作为隶属度函数,并利用模糊C均值聚类算法来估计高斯函数的中心和宽度;在确定模糊哈希网络的前件参数后,计算得到样本归一化的触发强度,则样本在新的模糊特征空间中的表示为:;
其中,,为向量的维度;
S23:融合自注意力机制的思想,通过评估不同样本之间的相关性得分,为特征向量分配相应的相似度权重;针对样本,改进后的模糊映射表示如下:;
其中,代表了向量的维度,是为了防止softmax函数计算时上溢出;反映了样本之间的相似度,值较高表明两个样本在特征空间中具有较强的相似性,而值较低则表明样本之间的差异性;
S24:为保留原始模糊化特征,使用残差连接并结合层归一化方法来避免梯度消失问题;因此,最终的模糊映射表示为:;
其中,代表层归一化操作;基于式(4),查询集X的模糊映射最终表示为;
S25:对于融合自注意力思想的模糊表示,在基于Transformer的后件参数学习机制中得到第r个规则的哈希码和类别输出:;
;
其中为第r个规则的Transformer编码器操作,为第r个规则的用于预测类别的多层感知机,为第r个规则的用于生成哈希码的多层感知机;
S26:因此,查询集的哈希码和预测类别分别为:;
;
其中,将值映射到[-1,1]范围内,,和分别是哈希码分支和预测类别分支的网络参数,和分别为哈希函数和预测函数;
S3:根据步骤S2得到的哈希码和类别计算损失函数:哈希中心损失、平衡损失、量化损失和分类损失,得到整体损失函数:,其中、、为超参数;
S4:根据整体损失函数,使用交替学习算法交替优化模糊哈希网络参数,并保存训练得到的模糊哈希网络模型;
S5:将测试集中的第t个图像样本输入步骤S4保存的模糊哈希网络,得到对应的哈希码,k为哈希码长度;通过哈希码与数据库的哈希码U计算汉明距离,并将汉明距离按照升序排序;按要求返回检索到的前p张图像和计算检索的平均精度mAP。
2.根据权利要求1所述的基于模糊哈希网络的医学图像检索方法,其特征在于,所述步骤S3包括步骤如下:S31:计算哈希中心损失,通过在每个类别中确定一个哈希中心,然后根据样本的标签确定最终的语义哈希中心,定义如下:;
S311:对于拥有c个类别的单标签数据集,在每个类别中通过模糊C均值聚类算法确定一个哈希中心,则生成c个哈希中心;因此,查询集中的每个样本根据标签确定一个哈希中心,即查询集的语义哈希中心为;
S312:对于拥有c个类别的多标签数据集,首先在共享同一个类别的样本中通过模糊C均值聚类算法确定一个中心,则对应c个类别共生成c个中心;然后,根据样本的标签确定包含的类别,并找到对应的哈希中心,最后通过这些中心在每一位上出现次数多的值来确定语义哈希中心,即样本的语义哈希中心:;
S32:计算分类损失,针对数据集的标签信息个数存在差异的问题,分别使用了适用于单标签数据集和多标签数据集的两种损失函数;
(1)单标签分类损失:
;
(2)多标签分类损失:
;
S33:计算平衡损失,为确保位哈希码中出现+1和-1的概率相同,定义如下:;
S34:计算量化损失,通过添加一个正则项来约束实值输出和哈希码之间的差异,定义如下:;
S35:模糊哈希网络的整体损失函数为:
;
其中,、、为超参数。