CN115100103A - 基于细菌数据的肿瘤预测方法及装置 - Google Patents

基于细菌数据的肿瘤预测方法及装置 Download PDF

Info

Publication number
CN115100103A
CN115100103A CN202210506938.5A CN202210506938A CN115100103A CN 115100103 A CN115100103 A CN 115100103A CN 202210506938 A CN202210506938 A CN 202210506938A CN 115100103 A CN115100103 A CN 115100103A
Authority
CN
China
Prior art keywords
tumor
image
prediction
network
historical
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
Application number
CN202210506938.5A
Other languages
English (en)
Inventor
黄河源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangya Hospital of Central South University
Original Assignee
Xiangya Hospital of Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiangya Hospital of Central South University filed Critical Xiangya Hospital of Central South University
Priority to CN202210506938.5A priority Critical patent/CN115100103A/zh
Publication of CN115100103A publication Critical patent/CN115100103A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，揭露了一种基于细菌数据的肿瘤预测方法及装置，包括：获取历史肿瘤图像集合，基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果，获取所述历史肿瘤图像集合对应的细菌数据集合，基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，得到肿瘤训练集合，构建包括混合注意力机制及胶囊网络的肿瘤预测网络，利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络，获取包含细菌标注的待检测肿瘤图像，利用所述标准肿瘤预测网络输出所述待检测肿瘤图像的肿瘤预测结果。本发明可解决肿瘤预测准确性不高的问题。

Description

基于细菌数据的肿瘤预测方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于细菌数据的肿瘤预测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能的发展，图像识别等技术应用于各种领域，例如，深度学习已经成功应用于医疗诊断领域，通过将深度学习对肿瘤图像进行预测能够有效地提高诊断准确率。
然而由于肿瘤图像的特征较为丰富，传统卷积神经网络容易忽略图像中病变区域关键位置，同时肿瘤预测仅依靠肿瘤图像，忽略了其他肿瘤相关的数据（例如细菌数据），导致肿瘤预测准确率较低。
发明内容
本发明提供一种基于细菌数据的肿瘤预测方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决肿瘤预测准确性不高的问题。
为实现上述目的，本发明提供的一种基于细菌数据的肿瘤预测方法，包括：
获取历史肿瘤图像集合，基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果；
获取所述历史肿瘤图像集合对应的细菌数据集合，基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，得到肿瘤训练集合；
构建包括混合注意力机制及胶囊网络的肿瘤预测网络；
利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络；
获取包含细菌标注的待检测肿瘤图像，利用所述标准肿瘤预测网络输出所述待检测肿瘤图像的肿瘤预测结果。
可选地，所述基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果，包括：
对所述历史肿瘤图像集合中的图像进行空间几何变换及色彩类转换，得到原始图像集合；
将所述原始图像集合中的每一张图像进行区域划分，得到预设个数的子区域；
计算所述子区域中像素的隶属度，基于所述隶属度计算所述原始图像集合中图像的目标值；
若所述目标值大于预设的目标阈值，则重新对原始图像集合中的每一张图像进行区域划分，并返回所述计算所述子区域中像素的隶属度的步骤，直至所述目标值小于等于所述目标阈值时，根据子区域中的聚类中心将所述原始图像集合中的图像划分为不同阶段，得到所述肿瘤图像分类结果。
可选地，所述计算所述子区域中像素的隶属度，基于所述隶属度计算所述原始图像集合中图像的目标值，包括：
计算所述子区域的聚类中心，基于所述聚类中心计算所述子区域中像素的隶属度；
根据预设的目标函数及所述隶属度计算所述原始图像集合中图像的目标值。
可选地，所述基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，包括：
将所述肿瘤图像分类结果作为所述历史肿瘤图像集合中图像的初始标注；
将所述细菌数据集合中的细菌数据作为所述历史肿瘤图像集合中图像的关联标注；
计算所述初始标注的初始概率分布，以及计算所述关联标注的关联概率分布；
对所述初始概率分布及所述关联概率分布进行标注融合，得到联合标注集合，并从所述联合标注集合中选取预设个数的联合标注作为所述历史肿瘤图像集合的图像标注。
可选地，所述构建包括混合注意力机制及胶囊网络的肿瘤预测网络，包括：
拼接预设的空间注意力模块及预设的通道注意力模块，得到混合注意力机制单元；
获取包括多层卷积层的卷积网络，在所述卷积网络的每一层卷积层后添加所述混合注意力机制单元，得到原始预测网络；
在所述原始预测网络后添加胶囊层及全连接层，得到所述肿瘤预测网络。
可选地，所述拼接预设的空间注意力模块及预设的通道注意力模块，得到混合注意力机制单元，包括：
将空间注意力模块SAM、通道注意力模块 CAM进行串联，得到第一串联网络；
将通道注意力模块 CAM、通道注意力模块CGCT进行串联，得到第二串联网络；
将所述第一串联网络及所述第二串联网络进行并联，得到所述混合注意力机制单元。
可选地，所述利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络，包括：
利用所述肿瘤预测网络中的卷积层提取所述肿瘤训练集合中图像的特征；
利用所述肿瘤预测网络中的混合注意力机制单元对所述特征进行注意力融合，得到混合特征；
利用所述肿瘤预测网络中的胶囊层输出最后的混合特征的权重概率；
利用所述肿瘤预测网络中的全连接层输出所述权重概率的预测标注；
根据所述预测标注及所述初始标注构建混淆矩阵，并基于所述混淆矩阵计算预测准确率，若所述预测准确率小于等于预设的准确阈值，则调整所述肿瘤预测网络中各层参数，返回所述利用所述肿瘤预测网络中的卷积层提取所述肿瘤训练集合中图像的特征的步骤，直至所述预测准确率大于所述准确阈值，停止训练，得到所述标准肿瘤预测网络。
可选地，所述基于所述聚类中心计算所述子区域中像素的隶属度，包括：
利用下述公式计算所述子区域中像素的隶属度：
Figure 416013DEST_PATH_IMAGE001
其中，
Figure 385106DEST_PATH_IMAGE002
表示像素
Figure 212248DEST_PATH_IMAGE003
对于子区域
Figure 481555DEST_PATH_IMAGE004
的隶属度，
Figure 63846DEST_PATH_IMAGE005
表示子区域个数，
Figure 395601DEST_PATH_IMAGE006
表示第
Figure 416647DEST_PATH_IMAGE007
个聚类中心，
Figure 150248DEST_PATH_IMAGE008
表示第
Figure 169019DEST_PATH_IMAGE009
个聚类中心，
Figure 378284DEST_PATH_IMAGE010
为预设的加权指数。
可选地，所述预设的目标函数如下所示：
Figure 547228DEST_PATH_IMAGE011
其中，
Figure 463232DEST_PATH_IMAGE012
为所述目标值，
Figure 715221DEST_PATH_IMAGE013
分别为图像的行数和列数，
Figure 21569DEST_PATH_IMAGE014
表示素
Figure 322100DEST_PATH_IMAGE003
与聚类中心
Figure 889348DEST_PATH_IMAGE006
的距离。
为了解决上述问题，本发明还提供一种基于细菌数据的肿瘤预测装置，所述装置包括：
图像分类模块，用于获取历史肿瘤图像集合，基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果；
图像标注模块，用于获取所述历史肿瘤图像集合对应的细菌数据集合，基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，得到肿瘤训练集合；
预测网络构建模块，用于构建包括混合注意力机制及胶囊网络的肿瘤预测网络；
预测网络训练模块，用于利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络；
肿瘤预测模块，用于获取包含细菌标注的待检测肿瘤图像，利用所述标准肿瘤预测网络输出所述待检测肿瘤图像的肿瘤预测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于细菌数据的肿瘤预测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于细菌数据的肿瘤预测方法。
相比于背景技术所述：传统卷积神经网络容易忽略图像中病变区域关键位置，同时肿瘤预测仅依靠肿瘤图像，导致肿瘤预测准确率较低。本发明实施例为提高肿瘤预测的准确性，先基于模糊聚类算法对历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果，并基于肿瘤图像分类结果及细菌数据集合对历史肿瘤图像集合进行联合标注，无需人工进行标注便可得到更加丰富的肿瘤训练集合。其次，利用肿瘤训练集合来训练包括混合注意力机制及胶囊网络的肿瘤预测网络，经过混合注意力机制可以进一步深入提取图像的特征，提高肿瘤预测的准确率。同时，由于训练数据中通过肿瘤图像分类结果及细菌数据集合对历史肿瘤图像集合进行联合标注，考虑了肿瘤相关的细菌数据，进一步提高了肿瘤预测的准确率，因此本发明提出的基于细菌数据的肿瘤预测方法、装置、电子设备及计算机可读存储介质，可以解决肿瘤预测准确性不高的问题。
附图说明
图1为本发明一实施例提供的基于细菌数据的肿瘤预测方法的流程示意图；
图2为图1实施例其中一个步骤的流程示意图；
图3为图1实施例另一个步骤的流程示意图；
图4为本发明一实施例提供的基于细菌数据的肿瘤预测装置的功能模块图；
图5为本发明一实施例提供的实现所述基于细菌数据的肿瘤预测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于细菌数据的肿瘤预测方法。所述基于细菌数据的肿瘤预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于细菌数据的肿瘤预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
参照图1所示，为本发明一实施例提供的基于细菌数据的肿瘤预测方法的流程示意图。在本实施例中，所述基于细菌数据的肿瘤预测方法包括：
S1、获取历史肿瘤图像集合，基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果。
本发明实施例中，所述历史肿瘤图像集合可以为胃肠部位的医学图像，比如，临床医疗领域中，所述历史肿瘤图像集合可以为肿瘤的MRI（核磁共振）图像或CT图像。示例性的，由于肿瘤在不同阶段的治疗手段不同，可以基于模糊聚类算法对肿瘤进行聚类划分，提高肿瘤预测的准确率。
本发明一可选实施例中，所述模糊聚类算法包括FCM 算法。FCM算法是将图像中的像素聚成c 类，然后计算每个像素与各个聚类中心的度量距离平和方，利用迭代的算法使其最小，从而使相似程度最大的像素聚成一类。
详细地，参照图2所示，所述基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果，包括：
S10、对所述历史肿瘤图像集合中的图像进行空间几何变换及色彩类转换，得到原始图像集合；
S11、将所述原始图像集合中的每一张图像进行区域划分，得到预设个数的子区域；
S12、计算所述子区域中像素的隶属度，基于所述隶属度计算所述原始图像集合中图像的目标值；
S13、若所述目标值大于预设的目标阈值，则重新对原始图像集合中的每一张图像进行区域划分，并返回所述计算所述子区域中像素的隶属度的步骤，直至所述目标值小于等于所述目标阈值时，根据子区域中的聚类中心将所述原始图像集合中的图像划分为不同阶段，得到所述肿瘤图像分类结果。
本发明实施例中，由于肿瘤图像是一种小样本数据，因此通过空间几何变换及色彩类转换来对数据进行增强，提高图像分类效果。其中，空间几何变换包括对原图的翻转、随机裁剪、平移、缩放等；色彩类转化包括对原图的颜色进行操作，如亮度、饱和度、对比度、灰度化、二值化等。
需解释的是，模糊聚类算法需要提前设定区域划分的个数，例如，将每张图像划分为三个子区域。
进一步地，所述计算所述子区域中像素的隶属度，基于所述隶属度计算所述原始图像集合中图像的目标值，包括：
计算所述子区域的聚类中心，基于所述聚类中心计算所述子区域中像素的隶属度；
根据预设的目标函数及所述隶属度计算所述原始图像集合中图像的目标值。
本发明一可选实施例中，所述基于所述聚类中心计算所述子区域中像素的隶属度，包括：
利用下述公式计算所述子区域中像素的隶属度：
Figure 187605DEST_PATH_IMAGE001
其中，
Figure 105882DEST_PATH_IMAGE002
表示像素
Figure 944525DEST_PATH_IMAGE003
对于子区域
Figure 784523DEST_PATH_IMAGE004
的隶属度，
Figure 112736DEST_PATH_IMAGE005
表示子区域个数，
Figure 455993DEST_PATH_IMAGE006
表示第
Figure 36010DEST_PATH_IMAGE007
个聚类中心，
Figure 843429DEST_PATH_IMAGE008
表示第
Figure 545806DEST_PATH_IMAGE009
个聚类中心，
Figure 48462DEST_PATH_IMAGE010
为预设的加权指数。
本发明实施例中，可以基于K-means聚类的方法计算聚类中心。
本发明一可选实施例中，所述预设的目标函数如下所示：
Figure 291225DEST_PATH_IMAGE011
其中，
Figure 828516DEST_PATH_IMAGE012
为所述目标值，
Figure 701795DEST_PATH_IMAGE013
分别为图像的行数和列数，
Figure 81960DEST_PATH_IMAGE014
表示素
Figure 738201DEST_PATH_IMAGE003
与聚类中心
Figure 457895DEST_PATH_IMAGE006
的距离。
本发明实施例中，根据模糊聚类结果，可以将肿瘤分为不同类别，例如，胃肠肿瘤，可以分为肿瘤早期、肿瘤中期及肿瘤晚期等阶段。
S2、获取所述历史肿瘤图像集合对应的细菌数据集合，基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，得到肿瘤训练集合。
本发明实施例中，所述历史肿瘤图像集合对应的细菌数据集合是指患者的肠胃部分的细菌菌落数据，如双歧杆菌、乳酸杆菌、幽门螺旋杆菌等细菌的数量。通过将细菌数据和肿瘤图像进行关联，可以进一步提高肿瘤预测的准确率。
详细地，参照图3所示，所述基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，包括：
S20、将所述肿瘤图像分类结果作为所述历史肿瘤图像集合中图像的初始标注；
S21、将所述细菌数据集合中的细菌数据作为所述历史肿瘤图像集合中图像的关联标注；
S22、计算所述初始标注的初始概率分布，以及计算所述关联标注的关联概率分布；
S23、对所述初始概率分布及所述关联概率分布进行标注融合，得到联合标注集合，并从所述联合标注集合中选取预设个数的联合标注作为所述历史肿瘤图像集合的图像标注。
本发明一可选实施例中，初始概率分布为
Figure 298812DEST_PATH_IMAGE015
,
Figure 41640DEST_PATH_IMAGE016
为初始标注，
Figure 829468DEST_PATH_IMAGE017
为肿瘤图像，关联概率分布为
Figure 200406DEST_PATH_IMAGE018
，
Figure 353170DEST_PATH_IMAGE019
为关联标注，
Figure 380032DEST_PATH_IMAGE017
为肿瘤图像。
本发明一可选实施例中，所述对所述初始概率分布及所述关联概率分布进行标注融合，包括：
利用下述联合概率公式对所述初始概率分布及所述关联概率分布进行标注融合：
Figure 768288DEST_PATH_IMAGE020
其中，
Figure 134678DEST_PATH_IMAGE021
为标注融合后的概率，
Figure 520660DEST_PATH_IMAGE022
为历史肿瘤图像集合中的图像数量，
Figure 97135DEST_PATH_IMAGE015
为初始概率分布，
Figure 164448DEST_PATH_IMAGE018
为关联概率分布，
Figure 244399DEST_PATH_IMAGE016
为初始标注，
Figure 66862DEST_PATH_IMAGE019
为关联标注，
Figure 5999DEST_PATH_IMAGE017
为肿瘤图像。
本发明实施例中，根据标注融合后的概率从高到低选取初始标注及关联标注作为图像的标注，例如，某一肿瘤图像的标注包括：肿瘤中期、双歧杆菌数量a、乳酸杆菌数量b。
S3、构建包括混合注意力机制及胶囊网络的肿瘤预测网络。
本发明实施例中，胶囊网络由胶囊组成，而并非神经元，相较于卷积神经网络的池化层会导致特征图通过的时候丢失大量有用信息，胶囊网络会学习图像特定位置的特定特征，然后生成一组神经元组成的向量，能够保留目标对象之间的姿态信息和空间信息，提高目标对象预测的准确率。
详细地，所述构建包括混合注意力机制及胶囊网络的肿瘤预测网络，包括：
拼接预设的空间注意力模块及预设的通道注意力模块，得到混合注意力机制单元；
获取包括多层卷积层的卷积网络，在所述卷积网络的每一层卷积层后添加所述混合注意力机制单元，得到原始预测网络；
在所述原始预测网络后添加胶囊层及全连接层，得到所述肿瘤预测网络。
本发明一可选实施例中，所述混合注意力机制单元可以为特征注意力单元(Feature attention Unit，FAU)，使用空间注意力模块 SAM、通道注意力模块 CAM和通道注意力模块CGCT混合。所述胶囊层包括主胶囊层和数字胶囊层，其中，主胶囊层用于对前一层的特征进行向量输出，数字胶囊层的胶囊数量根据需要预测的类别数决定，例如，预测为肿瘤早期、肿瘤中期及肿瘤晚期三类，则有三个胶囊用于输出每个类别的权重。所述全连接层用于对肿瘤图像进行重构，从而对网络的模型进行进一步的优化。
本发明一可选实施例中，所述拼接预设的空间注意力模块及预设的通道注意力模块，得到混合注意力机制单元，包括：
将空间注意力模块SAM、通道注意力模块 CAM进行串联，得到第一串联网络；
将通道注意力模块 CAM、通道注意力模块CGCT进行串联，得到第二串联网络；
将所述第一串联网络及所述第二串联网络进行并联，得到所述混合注意力机制单元。
同时，所述肿瘤预测网络可以包括12层，其中，第1、3、5层分别为卷积层，第2、4、6层分别为FAU层，第7、8层分别为主胶囊层和数字胶囊层，器9、10、11、12层分别为全连接层。
S4、利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络。
本发明实施例中，由于肿瘤预测网络中包括多层的混合注意力机制单元，可以有效获取图像数据全局和局部的联系，有效提升训练效果。
详细地，所述利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络，包括：
利用所述肿瘤预测网络中的卷积层提取所述肿瘤训练集合中图像的特征；
利用所述肿瘤预测网络中的混合注意力机制单元对所述特征进行注意力融合，得到混合特征；
利用所述肿瘤预测网络中的胶囊层输出最后的混合特征的权重概率；
利用所述肿瘤预测网络中的全连接层输出所述权重概率的预测标注；
根据所述预测标注及所述初始标注构建混淆矩阵，并基于所述混淆矩阵计算预测准确率，若所述预测准确率小于等于预设的准确阈值，则调整所述肿瘤预测网络中各层参数，返回所述利用所述肿瘤预测网络中的卷积层提取所述肿瘤训练集合中图像的特征的步骤，直至所述预测准确率大于所述准确阈值，停止训练，得到所述标准肿瘤预测网络。
本发明一可选实施例中，通过卷积层提取图像特征，并基于混合注意力机制单元中的多种注意力机制来对特征进行拼接融合，可以不断深化提取到的特征，提高肿瘤预测的准确率。
需要解释的是，混淆矩阵本质上用来展示预测标注预测正确及错误的个数，所述混淆矩阵中包括四个基础指标：1、实际为正类，预测结果为正类的个数，即 TP；2、实际为正类，预测结果为负类的个数，即 FN；3、实际为负类，预测结果为正类的个数，即 FP；4、实际为负类，预测结果为负类的个数，即 TN。例如，实际有100张肿瘤早期图像，其中经过检测得到的预测肿瘤早期图像（TP）有80张，预测非肿瘤早期（FN）有20张；实际有100张非肿瘤早期图像，其中经过检测得到的预测肿瘤早期（FP）有30张，预测非肿瘤早期（TN）有70张。
本发明一可选实施例中，所述预测准确率可以为F1-Score 值，即：
Figure 470479DEST_PATH_IMAGE023
，其中，
Figure 873778DEST_PATH_IMAGE024
，
Figure 804825DEST_PATH_IMAGE025
。
S5、获取包含细菌标注的待检测肿瘤图像，利用所述标准肿瘤预测网络输出所述待检测肿瘤图像的肿瘤预测结果。
本发明实施例中，将病人的肿瘤图像（CT图像等）标注上该病人的肠胃细菌数据，得到待检测肿瘤图像，并利用所述标准肿瘤预测网络对所述待检测肿瘤图像进行预测，得到该病人的肿瘤预测结果。
相比于背景技术所述：传统卷积神经网络容易忽略图像中病变区域关键位置，同时肿瘤预测仅依靠肿瘤图像，导致肿瘤预测准确率较低。本发明实施例为提高肿瘤预测的准确性，先基于模糊聚类算法对历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果，并基于肿瘤图像分类结果及细菌数据集合对历史肿瘤图像集合进行联合标注，无需人工进行标注便可得到更加丰富的肿瘤训练集合。其次，利用肿瘤训练集合来训练包括混合注意力机制及胶囊网络的肿瘤预测网络，经过混合注意力机制可以进一步深入提取图像的特征，提高肿瘤预测的准确率。同时，由于训练数据中通过肿瘤图像分类结果及细菌数据集合对历史肿瘤图像集合进行联合标注，考虑了肿瘤相关的细菌数据，进一步提高了肿瘤预测的准确率，因此本发明提出的基于细菌数据的肿瘤预测方法，可以解决肿瘤预测准确性不高的问题。
实施例2：
如图4所示，是本发明一实施例提供的基于细菌数据的肿瘤预测装置的功能模块图，其可以实现实施例1中的监测方法。
本发明所述基于细菌数据的肿瘤预测装置100可以安装于电子设备中。根据实现的功能，所述基于细菌数据的肿瘤预测装置100可以包括图像分类模块101、图像标注模块102、预测网络构建模块103、预测网络训练模块104及肿瘤预测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述图像分类模块101，用于获取历史肿瘤图像集合，基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果；
所述图像标注模块102，用于获取所述历史肿瘤图像集合对应的细菌数据集合，基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，得到肿瘤训练集合；
所述预测网络构建模块103，用于构建包括混合注意力机制及胶囊网络的肿瘤预测网络；
所述预测网络训练模块104，用于利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络；
所述肿瘤预测模块105，用于获取包含细菌标注的待检测肿瘤图像，利用所述标准肿瘤预测网络输出所述待检测肿瘤图像的肿瘤预测结果。
详细地，本发明实施例中所述基于细菌数据的肿瘤预测装置100中的所述各模块在使用时采用与上述的图1中所述的基于细菌数据的肿瘤预测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图5所示，是本发明一实施例提供的实现所述基于细菌数据的肿瘤预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于细菌数据的肿瘤预测方法程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于细菌数据的肿瘤预测方法程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于细菌数据的肿瘤预测方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于细菌数据的肿瘤预测方法程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取历史肿瘤图像集合，基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果；
获取所述历史肿瘤图像集合对应的细菌数据集合，基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，得到肿瘤训练集合；
构建包括混合注意力机制及胶囊网络的肿瘤预测网络；
利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络；
获取包含细菌标注的待检测肿瘤图像，利用所述标准肿瘤预测网络输出所述待检测肿瘤图像的肿瘤预测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取历史肿瘤图像集合，基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果；
获取所述历史肿瘤图像集合对应的细菌数据集合，基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，得到肿瘤训练集合；
构建包括混合注意力机制及胶囊网络的肿瘤预测网络；
利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络；
获取包含细菌标注的待检测肿瘤图像，利用所述标准肿瘤预测网络输出所述待检测肿瘤图像的肿瘤预测结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于细菌数据的肿瘤预测方法，其特征在于，所述方法包括：
获取历史肿瘤图像集合，基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果；
获取所述历史肿瘤图像集合对应的细菌数据集合，基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，得到肿瘤训练集合；
构建包括混合注意力机制及胶囊网络的肿瘤预测网络；
利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络；
获取包含细菌标注的待检测肿瘤图像，利用所述标准肿瘤预测网络输出所述待检测肿瘤图像的肿瘤预测结果。
2.如权利要求1所述的基于细菌数据的肿瘤预测方法，其特征在于，所述基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果，包括：
对所述历史肿瘤图像集合中的图像进行空间几何变换及色彩类转换，得到原始图像集合；
将所述原始图像集合中的每一张图像进行区域划分，得到预设个数的子区域；
计算所述子区域中像素的隶属度，基于所述隶属度计算所述原始图像集合中图像的目标值；
若所述目标值大于预设的目标阈值，则重新对原始图像集合中的每一张图像进行区域划分，并返回所述计算所述子区域中像素的隶属度的步骤，直至所述目标值小于等于所述目标阈值时，根据子区域中的聚类中心将所述原始图像集合中的图像划分为不同阶段，得到所述肿瘤图像分类结果。
3.如权利要求2所述的基于细菌数据的肿瘤预测方法，其特征在于，所述计算所述子区域中像素的隶属度，基于所述隶属度计算所述原始图像集合中图像的目标值，包括：
计算所述子区域的聚类中心，基于所述聚类中心计算所述子区域中像素的隶属度；
根据预设的目标函数及所述隶属度计算所述原始图像集合中图像的目标值。
4.如权利要求1所述的基于细菌数据的肿瘤预测方法，其特征在于，所述基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，包括：
将所述肿瘤图像分类结果作为所述历史肿瘤图像集合中图像的初始标注；
将所述细菌数据集合中的细菌数据作为所述历史肿瘤图像集合中图像的关联标注；
计算所述初始标注的初始概率分布，以及计算所述关联标注的关联概率分布；
对所述初始概率分布及所述关联概率分布进行标注融合，得到联合标注集合，并从所述联合标注集合中选取预设个数的联合标注作为所述历史肿瘤图像集合的图像标注。
5.如权利要求4所述的基于细菌数据的肿瘤预测方法，其特征在于，所述构建包括混合注意力机制及胶囊网络的肿瘤预测网络，包括：
拼接预设的空间注意力模块及预设的通道注意力模块，得到混合注意力机制单元；
获取包括多层卷积层的卷积网络，在所述卷积网络的每一层卷积层后添加所述混合注意力机制单元，得到原始预测网络；
在所述原始预测网络后添加胶囊层及全连接层，得到所述肿瘤预测网络。
6.如权利要求5所述的基于细菌数据的肿瘤预测方法，其特征在于，所述拼接预设的空间注意力模块及预设的通道注意力模块，得到混合注意力机制单元，包括：
将空间注意力模块SAM、通道注意力模块 CAM进行串联，得到第一串联网络；
将通道注意力模块 CAM、通道注意力模块CGCT进行串联，得到第二串联网络；
将所述第一串联网络及所述第二串联网络进行并联，得到所述混合注意力机制单元。
7.如权利要求5所述的基于细菌数据的肿瘤预测方法，其特征在于，所述利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络，包括：
利用所述肿瘤预测网络中的卷积层提取所述肿瘤训练集合中图像的特征；
利用所述肿瘤预测网络中的混合注意力机制单元对所述特征进行注意力融合，得到混合特征；
利用所述肿瘤预测网络中的胶囊层输出最后的混合特征的权重概率；
利用所述肿瘤预测网络中的全连接层输出所述权重概率的预测标注；
根据所述预测标注及所述初始标注构建混淆矩阵，并基于所述混淆矩阵计算预测准确率，若所述预测准确率小于等于预设的准确阈值，则调整所述肿瘤预测网络中各层参数，返回所述利用所述肿瘤预测网络中的卷积层提取所述肿瘤训练集合中图像的特征的步骤，直至所述预测准确率大于所述准确阈值，停止训练，得到所述标准肿瘤预测网络。
8.如权利要求3所述的基于细菌数据的肿瘤预测方法，其特征在于，所述基于所述聚类中心计算所述子区域中像素的隶属度，包括：
利用下述公式计算所述子区域中像素的隶属度：
Figure 601696DEST_PATH_IMAGE001
其中，
Figure 887184DEST_PATH_IMAGE002
表示像素
Figure 284581DEST_PATH_IMAGE003
对于子区域
Figure 542387DEST_PATH_IMAGE004
的隶属度，
Figure 503390DEST_PATH_IMAGE005
表示子区域个数，
Figure 151540DEST_PATH_IMAGE006
表示第
Figure 223401DEST_PATH_IMAGE007
个聚类中心，
Figure 601293DEST_PATH_IMAGE008
表示第
Figure 342984DEST_PATH_IMAGE009
个聚类中心，
Figure 868643DEST_PATH_IMAGE010
为预设的加权指数。
9.如权利要求3所述的基于细菌数据的肿瘤预测方法，其特征在于，所述预设的目标函数如下所示：
Figure 681878DEST_PATH_IMAGE011
其中，
Figure 586380DEST_PATH_IMAGE012
为所述目标值，
Figure 889186DEST_PATH_IMAGE013
分别为图像的行数和列数，
Figure 511928DEST_PATH_IMAGE014
表示素
Figure 128854DEST_PATH_IMAGE003
与聚类中心
Figure 278076DEST_PATH_IMAGE006
的距离。
10.一种基于细菌数据的肿瘤预测装置，其特征在于，所述装置包括：
图像分类模块，用于获取历史肿瘤图像集合，基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类，得到肿瘤图像分类结果；
图像标注模块，用于获取所述历史肿瘤图像集合对应的细菌数据集合，基于所述肿瘤图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注，得到肿瘤训练集合；
预测网络构建模块，用于构建包括混合注意力机制及胶囊网络的肿瘤预测网络；
预测网络训练模块，用于利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力机制联合训练，得到标准肿瘤预测网络；
肿瘤预测模块，用于获取包含细菌标注的待检测肿瘤图像，利用所述标准肿瘤预测网络输出所述待检测肿瘤图像的肿瘤预测结果。
CN202210506938.5A 2022-05-11 2022-05-11 基于细菌数据的肿瘤预测方法及装置 Pending CN115100103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210506938.5A CN115100103A (zh) 2022-05-11 2022-05-11 基于细菌数据的肿瘤预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210506938.5A CN115100103A (zh) 2022-05-11 2022-05-11 基于细菌数据的肿瘤预测方法及装置

Publications (1)

Publication Number Publication Date
CN115100103A true CN115100103A (zh) 2022-09-23

Family

ID=83287584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210506938.5A Pending CN115100103A (zh) 2022-05-11 2022-05-11 基于细菌数据的肿瘤预测方法及装置

Country Status (1)

Country Link
CN (1) CN115100103A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452559A (zh) * 2023-04-19 2023-07-18 深圳市睿法生物科技有限公司 基于ctDNA片段化模式的肿瘤病灶的定位方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452559A (zh) * 2023-04-19 2023-07-18 深圳市睿法生物科技有限公司 基于ctDNA片段化模式的肿瘤病灶的定位方法及装置
CN116452559B (zh) * 2023-04-19 2024-02-20 深圳市睿法生物科技有限公司 基于ctDNA片段化模式的肿瘤病灶的定位方法及装置

Similar Documents

Publication Publication Date Title
Liao et al. Evaluate the malignancy of pulmonary nodules using the 3-d deep leaky noisy-or network
Bien et al. Deep-learning-assisted diagnosis for knee magnetic resonance imaging: development and retrospective validation of MRNet
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
Zhou et al. Lung cancer cell identification based on artificial neural network ensembles
Rundo et al. A survey on nature-inspired medical image analysis: a step further in biomedical data integration
US10692602B1 (en) Structuring free text medical reports with forced taxonomies
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
Liu et al. A semi-supervised convolutional transfer neural network for 3D pulmonary nodules detection
CN113298159A (zh) 目标检测方法、装置、电子设备及存储介质
WO2022247007A1 (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN111932534A (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN113157739A (zh) 跨模态检索方法、装置、电子设备及存储介质
Konwer et al. Enhancing modality-agnostic representations via meta-learning for brain tumor segmentation
CN115100103A (zh) 基于细菌数据的肿瘤预测方法及装置
CN115831379A (zh) 知识图谱补全方法、装置、存储介质及电子设备
CN115205225A (zh) 医学图像识别模型的训练方法、装置、设备及存储介质
Wang et al. Explainable multitask Shapley explanation networks for real-time polyp diagnosis in videos
Fitzke et al. Rapidread: Global deployment of state-of-the-art radiology AI for a large veterinary teleradiology practice
CN118212501A (zh) 一种肺癌多发病灶检测方法、系统、设备及介质
Wu et al. Smooth attention for deep multiple instance learning: Application to ct intracranial hemorrhage detection
CN114511569B (zh) 基于肿瘤标志物的医学图像识别方法、装置、设备及介质
Pan et al. Self-paced learning with diversity for medical image segmentation by using the query-by-committee and dynamic clustering techniques
Wu et al. Machine (deep) learning for orthodontic CAD/CAM technologies
Hemanth Handbook of decision support systems for neurological disorders
Rajaraman et al. Multi-loss ensemble deep learning for chest X-ray classification

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