CN111311574A - 基于人工智能的太赫兹病变检测方法及系统 - Google Patents
基于人工智能的太赫兹病变检测方法及系统 Download PDFInfo
- Publication number
- CN111311574A CN111311574A CN202010092089.4A CN202010092089A CN111311574A CN 111311574 A CN111311574 A CN 111311574A CN 202010092089 A CN202010092089 A CN 202010092089A CN 111311574 A CN111311574 A CN 111311574A
- Authority
- CN
- China
- Prior art keywords
- terahertz
- neural network
- layer
- image data
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于人工智能的太赫兹病变检测方法及系统,该方法包括:获取生物组织的太赫兹图像数据,构建太赫兹图像数据集;构建深度学习神经网络,并基于太赫兹图像数据集对深度学习神经网络进行训练建模,得到病变检测模型;通过病变检测模型,根据待检测生物组织的太赫兹图像数据,检测待检测生物组织是否发生病变。本发明可用于癌变的快速诊断和持续跟踪,能够解决目前的癌变检测手段诊断周期长、诊断结果依赖医生主观判断和认知能力的问题,实现快速、有效地检测癌变,为癌症的治疗提供有效的方法和手段。
Description
技术领域
本发明涉及人工智能技术领域,特别是指基于人工智能的太赫兹病变检测方法及系统。
背景技术
癌症作为威胁人类健康的重大疾病,其实时诊断和对症治疗一直是困扰医学界的一大难题,特别是针对癌变进行快速、准确的诊断和持续的跟踪。
目前,医学影像是重大疾病诊断的主要手段,但是,该方法采用X射线作为辐射源,其单光子能量高达几万电子伏,会产生很强的电离辐射,对人体伤害极大。组织病理学图像主要依赖医生的主观判断和认知,识别结果容易受到主观经验、认知能力以及疲劳程度的影响,存在不同程度的误差,从而导致癌变的病理学诊断周期过长甚至误判,错过了癌症治疗的最佳时期。
发明内容
本发明要解决的技术问题是提供基于人工智能的太赫兹病变检测方法及系统,以解决目前癌变诊断周期长、诊断结果依赖医生主观判断和认知能力的问题,实现快速、客观、有效地检测癌变,为癌症的实时诊断提供有效的方法和手段。
为解决上述技术问题,本发明提供如下技术方案:
基于人工智能的太赫兹病变检测方法,所述方法包括:
获取生物组织的太赫兹图像数据,构建太赫兹图像数据集;
构建深度学习神经网络,并基于所述太赫兹图像数据集对所述深度学习神经网络进行训练建模,得到病变检测模型;
通过所述病变检测模型,根据待检测生物组织的太赫兹图像数据,检测所述待检测生物组织是否发生病变。
可选地,所述深度学习神经网络为卷积神经网络;
所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层;其中,所述卷积神经网络的输入层用于输入生物组织的太赫兹图像数据,所述卷积神经网络的卷积层和池化层用于对输入层的太赫兹图像数据进行特征提取,所述卷积神经网络的全连接层用于对提取的特征进行学习和分类,所述卷积神经网络的输出层用于输出分类结果。
其中,所述基于太赫兹图像数据集对深度学习神经网络进行训练建模,包括:
将所述太赫兹图像数据集按照预设比例划分为训练集、验证集和测试集;
将所述训练集输入所述卷积神经网络,设置学习率、批量尺寸、训练次数以及优化算法,对所述卷积神经网络进行建模和优化,训练中采用损失函数来控制所述卷积神经网络收敛的方向;
在所述卷积神经网络训练时,采用所述验证集实时评价网络模型的优劣,对所述卷积神经网络进行优化,得到病变检测模型;
使用测试集中的太赫兹图像数据评估所述病变检测模型的泛化能力。
可选地,所述深度学习神经网络为全卷积网络;
所述全卷积网络包括输入层、卷积层、池化层、上采样层和输出层;其中,所述全卷积网络的输入层用于输入生物组织的太赫兹图像数据,所述全卷积网络的卷积层和池化层用于对输入层的太赫兹图像数据进行特征提取并形成特征图,所述全卷积网络的上采样层用于将对应池化层获得的特征图恢复至与原始图像大小相同的尺寸,所述全卷积网络的输出层用于输出语义分割后的太赫兹图像。
其中,所述基于所述太赫兹图像数据集对深度学习神经网络进行训练建模,包括:
将所述太赫兹图像数据集按照预设比例划分为训练集、验证集和测试集,并对划分出的训练集进行标注,区分病变区域和正常区域;
将所述训练集输入所述全卷积网络,对所述全卷积网络进行训练建模,训练时,所述全卷积网络的输入为太赫兹图像数据,输出为标注后的图像;
建模后通过所述验证集对网络模型进行评价,进而确定优化后的输入图像到输出图像的映射模型,作为病变检测模型;
利用所述病变检测模型对所述测试集中的太赫兹图像数据进行语义分割,进而实现对病变区域和正常区域的自动划分。
进一步地,所述全卷积网络将对应池化层获得的特征图恢复至与原始图像相同的尺寸,包括:将后一层池化输出的特征图上采样至与前一层池化之后的特征图相同的尺寸,再与前一层池化之后的特征图融合进行上采样操作,进而更加准确的预测每个像素的语义分割结果。
可选地,所述深度学习神经网络为全连接神经网络。其中,所述全连接神经网络包括输入层、隐含层和输出层;其中,所述全连接神经网络的输入层用于输入对太赫兹图像所提取的特征信息,所述全连接神经网络的隐含层用于将特征信息重新组合实现分类,输出层用于输出分类结果。
其中,所述基于太赫兹图像数据集对深度学习神经网络进行训练建模,包括:
将所述太赫兹图像数据集按照预设比例划分为训练集和测试集;
利用特征提取算法对所述训练集中的太赫兹图像数据进行特征提取;
将所提取的特征作为所述全连接神经网络的输入,设置学习率和训练次数,每次训练结束,所述全连接神经网络均输出预测值,损失函数记录每一次训练得到的预测值与标签值之差,采用预设优化算法并通过进行多次训练来降低损失,对所述全连接神经网络进行优化,得到病变检测模型;
使用所述测试集评估所述病变检测模型的泛化能力。
相应地,为解决上述技术问题,本发明还提供如下技术方案:
一种基于人工智能的太赫兹病变检测系统,所述系统包括:
太赫兹图像数据集构建模块,用于获取生物组织的太赫兹图像数据,构建太赫兹图像数据集;
病变检测模型建模模块,用于构建深度学习神经网络,并基于所述太赫兹图像数据集对所述深度学习神经网络进行训练建模,得到病变检测模型;
病变检测模块,用于通过所述病变检测模型,根据待检测生物组织的太赫兹图像数据,检测所述待检测生物组织是否发生病变。
本发明的上述技术方案的有益效果如下:
1、本发明针对生物组织进行太赫兹二维扫描成像,太赫兹波具有单光子能量低、分辨率高、能够在大带宽上成像的优势,相对于通过采用X射线成像诊断癌变而言,对人体的电离辐射伤害更小,更容易被患者接受,相对于核磁共振成像而言,成像分辨率更高,检测结果更准确;
2、本发明采用人工智能的方法检测生物组织的太赫兹图像数据,其特征提取方法为自主学习并自动提取特征,有效避免了人工特征提取所带来的资源和时间的浪费,避免了医生的主观判断导致的误差,为癌变的实时检测和准确诊断提供了有效方法;
3、本发明将人工智能方法应用于太赫兹癌变图像的自动检测,该方法作为医生诊断癌变的一种计算机辅助诊断方式,增加了诊断的客观性;
4、本发明采用基于人工智能的癌变检测方法,在特征提取时使用“局部感受野”和“权值共享”的方法,减少了网络参数的数量,解决了传统较深的网络训练参数太多,难以训练的问题,提高了癌变图像检测的实效性和准确性。
附图说明
图1为本发明第二实施例提供的采用卷积神经网络对太赫兹癌变图像检测的流程示意图;
图2为本发明第三实施例提供的采用全卷积网络对太赫兹癌变图像语义分割的流程示意图;
图3为本发明第四实施例提供的结合特征提取算法与全连接神经网络对太赫兹癌变图像检测的流程示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
第一实施例
本实施例提供一种基于人工智能的太赫兹病变检测方法,该方法包括:
S101,获取生物组织的太赫兹图像数据,构建太赫兹图像数据集;
需要说明的是,太赫兹在电磁波谱上的位置介于微波和红外之间,因而具有很多特殊的性质:太赫兹波光子能量低,单光子能量为4.1meV,不会对生物体产生电离损伤;其频率高、带宽大,能够在较大频率范围内对生物组织进行探测、识别和分析;利用生物大分子的太赫兹指纹谱,可以精确分析生物样品的物质成份;太赫兹波长比超声波波长短,能够获得高分辨率的成像结果;太赫兹波段的这些独特优势,无论对生物医学领域科学问题的解决,还是发展生物医学领域的应用研究,都具有广阔前景。
因此,本实施例采用太赫兹成像系统对生物组织进行二维扫描成像,以获取生物组织的太赫兹图像数据,构建太赫兹图像数据集;相对于通过采用X射线成像诊断癌变而言,对人体的电离辐射伤害更小,更容易被患者接受,相对于核磁共振成像而言,成像分辨率更高,检测结果更准确。
S102,构建深度学习神经网络,并基于太赫兹图像数据集对深度学习神经网络进行训练建模,得到病变检测模型;
需要说明的是,此处的深度学习神经网络可以是任意一种现有的神经网络,如卷积神经网络、全卷积网络或全连接神经网络;通过合理的网络设计和对大量太赫兹波段病变图像数据的自主学习进行训练建模,建模后的人工神经网络可以对是否发生病变进行快速判断,弥补了医生主观判断和认知能力的不足。
S103,通过病变检测模型,根据生物组织的太赫兹图像数据,检测生物组织是否发生病变。
本实施例采用太赫兹波作为辐射源对生物组织进行成像,避免了采用X射线对人体产生电离辐射的缺点,更易被患者接受,由于生物大分子的振动和转动能级在太赫兹波段,因此本实施例的方法可在很大带宽的范围内选择频点对生物组织进行成像,有利于对生物组织是否发生癌变进行区分,而且该方法通过深度学习网络自动提取生物组织太赫兹图像的特征,进行自主学习和建模,进而可对生物样品的太赫兹图像进行识别,鉴别出生物组织是否为癌变组织或生物组织中的癌变区域。
第二实施例
请参阅图1,本实施例提供一种基于人工智能的太赫兹病变检测方法,该方法包括以下步骤:
S101,采用太赫兹成像系统对生物组织进行二维扫描成像;
S102,根据获取的生物组织的太赫兹图像数据,构建太赫兹图像数据集;
S103,将太赫兹图像数据集按照预设比例划分为训练集、验证集和测试集;
需要说明的是,本实施例首先通过太赫兹成像系统对生物组织进行二维扫描,得到生物组织的太赫兹图像,经大量成像实验,获得图片大小为Mx×My×N的二维太赫兹图像数据集,其中,Mx和My为该图像在x方向和y方向的像素数目,N代表图片的通道数,N=1,2,3,4。然后,将太赫兹图像数据集按预设比例划分为训练集、验证集和测试集,其中,训练集和验证集在网络训练中用于建模以及对模型进行评价,测试集用于评估网络模型的泛化能力。
S104,设计卷积神经网络,通过训练集对卷积神经网络进行训练和调参;
S105,通过验证集检测该网络的误差,调整超参数,形成癌变检测模型;
S106,通过癌变检测模型对测试集中的图像进行预测;
S107,输出识别结果,鉴别出待检测生物组织的类型,从而实现对癌变组织和正常组织的区分。
需要说明的是,本实施例的卷积神经网络的设计包括参数的设定,网络的深度以及所选的算法。其中,参数主要有初始学习率,初始权重分布,批量尺寸大小以及迭代次数,网络的深度根据图像数据的数量以及复杂度进行设计。
该卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成;首先,根据GPU的并行处理性能,设置太赫兹图像的批量尺寸大小B和总批次NB,输入层按批次输入生物组织的太赫兹图像数据,并将图像转化为数组形式,输入层神经元个数为Mx×My×N,然后,对输入数组进行标准归一化处理,从而加速网络收敛。卷积层与输入层连接,用于对输入的图像数据进行特征提取,提取时通过H个大小为N×k×k的卷积核对输入图像数据进行卷积操作,k为卷积核在x方向和y方向的像素数目,从而提取到H张特征图,每张特征图的大小为Ux×Uy=[(Mx-k+2p)/s+1]×[(My-k+2p)/s+1],其中p为对图像数据像素填充的数量,s为卷积核在卷积过程中每次移动的步长,在卷积操作后,卷积层的输出经过非线性激活函数,来增加网络模型的非线性,提高网络模型的非线性建模和泛化能力。卷积层的输出与池化层输入神经元连接,池化层的作用是降采样,即将提取到的特征信息进行降维处理,池化层采用最大池化策略,其作用是通过提取主要特征、简化网络复杂度来避免过拟合,当采用大小为m×m的核函数对图像进行最大池化后,得到大小为Vx×Vy=(Ux/m)×(Uy/m)的特征图,经过池化层后图像特征图缩小,会影响网络的准确度,因此,通过增加特征图的数量来进行补偿。为了增加网络的非线性逼近能力,池化层输出神经元通常与提取高维特征的卷积层连接,再经过非线性激活函数和池化层,进一步进行特征提取和降维,在网络设计时,根据网络任务需求设计卷积层和池化层的数目,来进行高维特征提取。网络经特征提取后,池化层输出与全连接层输入神经元连接,将池化层得到的高维特征输入到全连接层,全连接层作为分类器对特征提取结果进行学习和建模,最后,将模型预测结果连接到输出层。对于太赫兹癌变图像数据,输出结果为癌变组织或正常组织,因此,输出层包含两个神经元,输出函数为sigmoid函数,将结果进行归一化之后,实现输出结果的二值分类。
在网络训练时,输入层为太赫兹图像数据,输出为带有标签的结果,通过设置学习率α、迭代次数E以及小批量梯度下降算法,对图像数据进行建模,并实时采用验证集对建模结果进行评价。在训练和验证的过程中,采用交叉熵损失函数来评估模型输出的预测值与标签值之间的差异,从而控制参数调整的方向,从而降低模型的损失函数,最后建立优化的太赫兹癌变检测模型。测试时,使用太赫兹图像数据测试集输入到优化的网络模型中,从而鉴别出输入图像数据是否发生癌变,通过对测试集数据的评价得到网络模型的泛化能力。
第三实施例
请参阅图2,本实施例提供一种基于人工智能的太赫兹病变检测方法,该方法包括以下步骤:
S101,采用太赫兹成像系统对生物组织进行二维扫描成像;
S102,根据获取的生物组织的太赫兹图像数据,构建太赫兹图像数据集;
S103,将太赫兹图像数据集按照预设比例划分为训练集、验证集和测试集,并对训练集图像进行标注,区分癌变区域和正常区域;
S104,设计全卷积网络,通过训练集对全卷积网络进行训练和调参;
S105,通过验证集检测该网络的误差,调整超参数,形成癌变检测模型;
S106,通过癌变检测模型对测试集中的图像进行预测;
S107,输出标注后的图像,鉴别出待检测生物组织的类型,从而实现对癌变组织和正常组织的区分。
需要说明的是,与第二实施例不同的是,本实施例是采用全卷积网络对太赫兹癌变图像进行检测;该全卷积网络包括输入层、卷积层、池化层、上采样层和输出层;训练时,首先,输入层用于输入生物组织的太赫兹图像数据,卷积层和池化层的作用与卷积神经网络中的作用相同,输入层、卷积层和池化层组成一个卷积神经网络,通过对输入层的图像数据进行特征提取并形成特征图,经过K次卷积和大小为m×m的核函数进行池化以后,得到反映标注位置的热图,即输入图像的高维特征图。然后,对高维特征图设置对应卷积核以及步长并进行上采样,从而将高维特征图恢复至与输入图像相同的尺寸,得到与输入太赫兹图像大小近似相等的标注图像,进而建立输入太赫兹图像数据与输出标注数据的对应关系模型,训练中采用交叉熵损失函数来控制网络收敛的方向,通过优化算法和多次迭代控制网络收敛。建模后通过验证集检测网络模型的误差,根据误差控制参数调整的方向,进而最小化过拟合,优化后的网络即为基于人工智能的癌变检测模型。最后,利用该模型对测试集中的太赫兹图像数据进行语义分割,即将生物组织的太赫兹图像数据输入该模型,输出为语义分割后的结果,实现了癌变区域和正常区域的自动划分。
本实施例的全卷积网络可以对输入太赫兹图像数据进行语义分割,分割精度为像素级,进而实现对癌变组织和正常组织的自动划分。进一步地,为增加预测结果的准确性,在本实施例的全卷积网络将高维特征图恢复至与输入图像相同的尺寸时,将后一层池化输出的特征图上采样至与前一层池化之后的特征图相同的尺寸,再与前一层池化之后的特征图融合进行上采样操作,从而可更加准确的预测每个像素的语义分割效果。
第四实施例
请参阅图3,本实施例提供一种基于人工智能的太赫兹病变检测方法,该方法包括以下步骤:
S101,采用太赫兹成像系统对生物组织进行二维扫描成像;
S102,根据获取的生物组织的太赫兹图像数据,构建太赫兹图像数据集;
S103,将太赫兹图像数据集按照预设比例划分为训练集和测试集;
S104,通过特征提取算法对训练集图像进行特征提取;
需要说明的是,本实施例所提取的太赫兹图像的特征包括颜色特征、纹理特征以及癌变区域面积大小的特征。
S105,设计全连接神经网络,将训练集图像的特征输入全连接神经网络,对该全连接神经网络进行训练和调参,形成癌变检测模型;
S106,通过癌变检测模型对测试集中的图像进行预测;
S107,输出识别结果,鉴别出待检测生物组织的类型,从而实现对癌变组织和正常组织的区分。
需要说明的是,与第二、第三实施例不同的是,本实施例是通过特征提取算法对太赫兹图像进行特征提取,然后采用全连接神经网络对提取的特征进行检测,判断待检测的生物组织是否为癌变组织。
全连接神经网络是每层神经元都与相邻层进行全部连接的网络,其由输入层、隐含层和输出层组成;其中,输入层用于输入特征提取算法所提取的特征信息,隐含层与输入层的神经元全部连接,作用是把输入数据的特征信息进行抽象,投影到高维度空间,隐含层同时与输出层连接,将高维的特征信息进行划分并输出分类结果。训练时,输入层为太赫兹图像数据的特征信息,输出为带有标签的结果,通过设置学习率和训练次数,对图像数据进行建模,训练过程中,采用交叉熵损失函数来评估模型输出的预测值与标签值之间的差异,从而通过优化网络参数来降低模型的损失函数,最后建立优化的太赫兹癌变检测模型。测试时,使用太赫兹图像数据测试集输入到优化的网络模型中,从而鉴别出输入图像数据是否发生癌变。
第五实施例
本实施例提供一种基于人工智能的太赫兹病变检测系统,该系统包括
太赫兹图像数据集构建模块,用于获取生物组织的太赫兹图像数据,构建太赫兹图像数据集;
病变检测模型建模模块,用于构建深度学习神经网络,并基于太赫兹图像数据集对深度学习神经网络进行训练建模,得到病变检测模型;
病变检测模块,用于通过病变检测模型,根据待检测生物组织的太赫兹图像数据,检测待检测生物组织是否发生病变。
本实施例的基于人工智能的太赫兹病变检测系统与上述第一实施例的基于人工智能的太赫兹病变检测方法相互对应,其中,该系统中各模块单元所实现的功能与上述方法中的各流程步骤一一对应;故,在此不再赘述。
上述各实施例通过一系列的措施实现了对太赫兹癌变图像数据的检测,所设计的网络通过对太赫兹癌变图像数据的特征自主学习,实现了对太赫兹癌变图像以及癌变区域的自动检测,有效地避免了人工特征提取检测生物组织癌变主观性强和耗时的缺点,为人类重大疾病的检测提供了更加客观有效的途径。
此外,需要说明的是,本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需说明的是,以上所述是本发明的优选实施方式,应当指出,尽管已描述了本发明的优选实施例,但对于本领域普通技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (10)
1.一种基于人工智能的太赫兹病变检测方法,其特征在于,包括:
获取生物组织的太赫兹图像数据,构建太赫兹图像数据集;
构建深度学习神经网络,并基于所述太赫兹图像数据集对所述深度学习神经网络进行训练建模,得到病变检测模型;
通过所述病变检测模型,根据待检测生物组织的太赫兹图像数据,检测所述待检测生物组织是否发生病变。
2.如权利要求1所述的基于人工智能的太赫兹病变检测方法,其特征在于,所述深度学习神经网络为卷积神经网络;
所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层;其中,所述卷积神经网络的输入层用于输入生物组织的太赫兹图像数据,所述卷积神经网络的卷积层和池化层用于对输入层的太赫兹图像数据进行特征提取,所述卷积神经网络的全连接层用于对提取的特征进行学习和分类,所述卷积神经网络的输出层用于输出分类结果。
3.如权利要求2所述的基于人工智能的太赫兹病变检测方法,其特征在于,所述基于太赫兹图像数据集对深度学习神经网络进行训练建模,包括:
将所述太赫兹图像数据集按照预设比例划分为训练集、验证集和测试集;
将所述训练集输入所述卷积神经网络,设置学习率、批量尺寸、训练次数以及优化算法,对所述卷积神经网络进行建模和优化,训练中采用损失函数来控制所述卷积神经网络收敛的方向;
在所述卷积神经网络训练时,采用所述验证集实时评价网络模型的优劣,对所述卷积神经网络进行优化,得到病变检测模型;
使用测试集中的太赫兹图像数据评估所述病变检测模型的泛化能力。
4.如权利要求1所述的基于人工智能的太赫兹病变检测方法,其特征在于,所述深度学习神经网络为全卷积网络;
所述全卷积网络包括输入层、卷积层、池化层、上采样层和输出层;其中,所述全卷积网络的输入层用于输入生物组织的太赫兹图像数据,所述全卷积网络的卷积层和池化层用于对输入层的太赫兹图像数据进行特征提取并形成特征图,所述全卷积网络的上采样层用于将对应池化层获得的特征图恢复至与原始图像大小相同的尺寸,所述全卷积网络的输出层用于输出语义分割后的太赫兹图像。
5.如权利要求4所述的基于人工智能的太赫兹病变检测方法,其特征在于,所述基于太赫兹图像数据集对深度学习神经网络进行训练建模,包括:
将所述太赫兹图像数据集按照预设比例划分为训练集、验证集和测试集,并对划分出的训练集进行标注,区分病变区域和正常区域;
将所述训练集输入所述全卷积网络,对所述全卷积网络进行训练建模,训练时,所述全卷积网络的输入为太赫兹图像数据,输出为标注后的图像;
建模后通过所述验证集对网络模型进行评价,进而确定优化后的输入图像到输出图像的映射模型,作为病变检测模型;
利用所述病变检测模型对所述测试集中的太赫兹图像数据进行语义分割,进而实现对病变区域和正常区域的自动划分。
6.如权利要求5所述的基于人工智能的太赫兹病变检测方法,其特征在于,所述全卷积网络将对应池化层获得的特征图恢复至与原始图像相同的尺寸,包括:
将后一层池化输出的特征图上采样至与前一层池化之后的特征图相同的尺寸,再与前一层池化之后的特征图融合进行上采样操作,进而更加准确的预测每个像素的语义分割结果。
7.如权利要求1所述的基于人工智能的太赫兹病变检测方法,其特征在于,所述深度学习神经网络为全连接神经网络。
8.如权利要求7所述的基于人工智能的太赫兹病变检测方法,其特征在于,所述全连接神经网络包括输入层、隐含层和输出层;其中,所述全连接神经网络的输入层用于输入对太赫兹图像所提取的特征信息,所述全连接神经网络的隐含层用于将特征信息重新组合实现分类,输出层用于输出分类结果。
9.如权利要求8所述的基于人工智能的太赫兹病变检测方法,其特征在于,所述基于太赫兹图像数据集对深度学习神经网络进行训练建模,包括:
将所述太赫兹图像数据集按照预设比例划分为训练集和测试集;
利用特征提取算法对所述训练集中的太赫兹图像数据进行特征提取;
将所提取的特征作为所述全连接神经网络的输入,设置学习率和训练次数,每次训练结束,所述全连接神经网络均输出预测值,损失函数记录每一次训练得到的预测值与标签值之差,采用预设优化算法并通过进行多次训练来降低损失,对所述全连接神经网络进行优化,得到病变检测模型;
使用所述测试集评估所述病变检测模型的泛化能力。
10.一种基于人工智能的太赫兹病变检测系统,其特征在于,包括:
太赫兹图像数据集构建模块,用于获取生物组织的太赫兹图像数据,构建太赫兹图像数据集;
病变检测模型建模模块,用于构建深度学习神经网络,并基于所述太赫兹图像数据集对所述深度学习神经网络进行训练建模,得到病变检测模型;
病变检测模块,用于通过所述病变检测模型,根据待检测生物组织的太赫兹图像数据,检测所述待检测生物组织是否发生病变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092089.4A CN111311574A (zh) | 2020-02-14 | 2020-02-14 | 基于人工智能的太赫兹病变检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092089.4A CN111311574A (zh) | 2020-02-14 | 2020-02-14 | 基于人工智能的太赫兹病变检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311574A true CN111311574A (zh) | 2020-06-19 |
Family
ID=71149040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010092089.4A Pending CN111311574A (zh) | 2020-02-14 | 2020-02-14 | 基于人工智能的太赫兹病变检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311574A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797786A (zh) * | 2020-07-09 | 2020-10-20 | 郑州中普医疗器械有限公司 | 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 |
CN112350791A (zh) * | 2020-10-28 | 2021-02-09 | 电子科技大学 | 一种基于深度学习的太赫兹信号检测方法 |
CN113192633A (zh) * | 2021-05-24 | 2021-07-30 | 山西大学 | 基于注意力机制的胃癌细粒度分类方法 |
CN114264628A (zh) * | 2021-12-16 | 2022-04-01 | 北京航空航天大学 | 一种基于太赫兹谱学成像的银屑病关节炎成像系统 |
CN114636704A (zh) * | 2022-03-10 | 2022-06-17 | 电子科技大学 | 一种基于深度学习的太赫兹连续波三维层析成像方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
-
2020
- 2020-02-14 CN CN202010092089.4A patent/CN111311574A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
Non-Patent Citations (3)
Title |
---|
HASSAN JASSIM MOTLAK等: "Detection and Classification of Breast Cancer Based-On Terahertz Imaging Technique Using Artificial Neural Network & K-Nearest Neighbor Algorithm", 《 INTERNATIONAL JOURNAL OF APPLIED ENGINEERING RESEARCH》 * |
JINSONG ZHANG等: "Terahertz Image Detection with the Improved Faster Region-Based Convolutional Neural Network", 《SENSOR》 * |
杨霞菁等: "《智能图像处理及应用》", 31 March 2019, 中国铁道出版社有限公司 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797786A (zh) * | 2020-07-09 | 2020-10-20 | 郑州中普医疗器械有限公司 | 用于离体生物样本的检测方法及四分类、计算机设备和计算机可读存储介质 |
CN112350791A (zh) * | 2020-10-28 | 2021-02-09 | 电子科技大学 | 一种基于深度学习的太赫兹信号检测方法 |
CN112350791B (zh) * | 2020-10-28 | 2022-02-08 | 电子科技大学 | 一种基于深度学习的太赫兹信号检测方法 |
CN113192633A (zh) * | 2021-05-24 | 2021-07-30 | 山西大学 | 基于注意力机制的胃癌细粒度分类方法 |
CN113192633B (zh) * | 2021-05-24 | 2022-05-31 | 山西大学 | 基于注意力机制的胃癌细粒度分类方法 |
CN114264628A (zh) * | 2021-12-16 | 2022-04-01 | 北京航空航天大学 | 一种基于太赫兹谱学成像的银屑病关节炎成像系统 |
CN114636704A (zh) * | 2022-03-10 | 2022-06-17 | 电子科技大学 | 一种基于深度学习的太赫兹连续波三维层析成像方法 |
CN114636704B (zh) * | 2022-03-10 | 2023-05-26 | 电子科技大学 | 一种基于深度学习的太赫兹连续波三维层析成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3576100A1 (en) | Decision support system for medical therapy planning | |
CN111311574A (zh) | 基于人工智能的太赫兹病变检测方法及系统 | |
Baygin et al. | Exemplar Darknet19 feature generation technique for automated kidney stone detection with coronal CT images | |
Hashemi et al. | Mass detection in lung CT images using region growing segmentation and decision making based on fuzzy inference system and artificial neural network | |
Viji et al. | RETRACTED ARTICLE: An improved approach for automatic spine canal segmentation using probabilistic boosting tree (PBT) with fuzzy support vector machine | |
Ypsilantis et al. | Recurrent convolutional networks for pulmonary nodule detection in CT imaging | |
Raghavendra et al. | Multilayer stacked probabilistic belief network-based brain tumor segmentation and classification | |
Ibraheem et al. | 3PCNNB-net: Three parallel CNN branches for breast cancer classification through histopathological images | |
CN115564735A (zh) | 一种复发鼻咽癌放射治疗鼻咽坏死预测方法 | |
El-Shafai et al. | An Efficient CNN-Based Automated Diagnosis Framework from COVID-19 CT Images. | |
Alamgeer et al. | Deep Learning Enabled Computer Aided Diagnosis Model for Lung Cancer using Biomedical CT Images. | |
Vinod et al. | Ensemble Technique for Brain Tumour Patient Survival Prediction | |
Brima et al. | Visual Interpretable and Explainable Deep Learning Models for Brain Tumor MRI and COVID-19 Chest X-ray Images | |
Alani et al. | An Effective Multiclass Human Skin Lesion Diagnosis System Based on Convolutional Neural Networks | |
Liu et al. | Neural network for lung cancer diagnosis | |
Raja et al. | Classification of spine image from MRI image using convolutional neural network | |
Helen et al. | Prediction of Osteosarcoma Using Binary Convolutional Neural Network: A Machine Learning Approach | |
CN113269778B (zh) | 基于迭代的图像弱监督分割方法 | |
EMMANUEL | EARLY BREAST CANCER DETECTION USING CONVOLUTIONAL NEURAL NETWORKS | |
Gupta et al. | Lungs Disease Classification using VGG-16 architecture with PCA | |
Bhargavi et al. | Brain Tumor Detection Using Convolutional Neural Network | |
Singh et al. | A Shallow Convolution Neural Network for Predicting Lung Cancer Through Analysis of Histopathological Tissue Images | |
Hwang et al. | A sequential attention interface with a dense reward function for mitosis detection | |
Jyothi et al. | Detection of cervical cancer and classification using texture analysis | |
Munaf et al. | DenseNet based skin lesion classification and melanoma detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |