CN115546109B - 一种基于机器学习的甲状腺采样数据识别方法及装置 - Google Patents
一种基于机器学习的甲状腺采样数据识别方法及装置 Download PDFInfo
- Publication number
- CN115546109B CN115546109B CN202211106029.9A CN202211106029A CN115546109B CN 115546109 B CN115546109 B CN 115546109B CN 202211106029 A CN202211106029 A CN 202211106029A CN 115546109 B CN115546109 B CN 115546109B
- Authority
- CN
- China
- Prior art keywords
- data
- thyroid
- feature extraction
- sampling data
- identification
- 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.)
- Active
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 44
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000005284 excitation Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 208000024770 Thyroid neoplasm Diseases 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 208000013076 thyroid tumor Diseases 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000002593 electrical impedance tomography Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 208000016842 benign thyroid gland neoplasm Diseases 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 201000002510 thyroid cancer Diseases 0.000 description 1
- 210000000534 thyroid cartilage Anatomy 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 210000005062 tracheal ring Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0536—Impedance imaging, e.g. by tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
- G06V10/70—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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种基于机器学习的甲状腺采样数据识别方法及装置，其中所述识别方法包括：对待测对象的颈前部施加激励源，获取m个待测对象在不同激励条件下的采样数据；将采集到的采样数据进行预处理，并整理成第一数据集，将所述第一数据集内的样本数据输入甲状腺识别模型，所述第一数据集的样本数据经过所述甲状腺识别模型中的特征提取步骤和类别识别步骤后输出，根据输出结果判定所述采样数据的阈值是否超出预设范围。特征提取步骤使用基于注意机制和卷积神经网络的特征提取网络，获得文本的更多相互关系，挖掘文本更多的特征信息；类别识别步骤使用机器学习算法处理特征提取后的数据，既考虑到了线性可分的情况也考虑到了线性不可分的情况。
Description
技术领域
本发明涉及医学数据处理技术领域，尤其涉及一种基于机器学习的甲状腺采样数据特征提取和分类识别方法及装置。
背景技术
在医学场景下可通过对被测对象进行高清成像，发现人体中的病变组织，替代外科手术诊断的方式,极大减少了对人体不必要的伤害和减轻手术带来的痛苦。但是常用的检测手段计算机断层图像重建技术等会对人体组织造成一定程度的损伤，无法进行实时成像监测。
而电阻抗断层成像技术对人体损伤较小，成本也比较低廉，并且可以进行实时观测，在医护监测领域中具有很好的前景，其原理是人体上不同器官组织的电导率不同，出现生理病变时电导率与正常组织的电导率也不同。对人体待测区施加安全的激励源，人体内部电导率分布的变化，将会引起待测表面电位的变化，通过联立电位变化、输入激励和电导率分布的关系，使用一定的算法对这些关系进行求解，最终，根据所求的电导率分布进行图像重构。但目前的电阻抗断层成像系统在成像过程中普遍存在非线性、病态性和不适定性等技术难题导致了成像质量效果不够理想和成像分辨率低，在临床上还没有得到较好的应用。
公开号为CN201810318306的中国专利公开了“一种甲状腺肿瘤超声图像识别方法及其装置”，这种方法可以辅助医生对甲状腺肿瘤的良恶性进行诊断,在甲状腺超声图像肿瘤良恶性检测试验中取得了较高的准确率,这对临床实际诊断具有重大的参考意义。但是这种识别机制是需要通过超声图片，并没有使病人诊断流程简化。
发明内容
针对现用技术的以上缺陷或者改进需求，本发明提供了一种基于机器学习的甲状腺采样数据处理方法，其目的在于解决使用电阻抗断层技术获得的数据进行特征提取和分类识别的问题，有效规避了使用电阻抗断层成像系统在成像质量效果不够理想的问题，可以做到无需成像就可以判断待测对象采集的数据是否超出预设范围。
根据本发明的实施方案，提供了一种基于机器学习的甲状腺采样数据识别方法，包括以下步骤：
对待测对象的颈前部施加激励源，获取m个待测对象在不同激励条件下的采样数据；
将采集到的采样数据进行预处理，并整理成第一数据集，将所述第一数据集内的样本数据输入甲状腺识别模型，其中所述甲状腺识别模型包括特征提取部和类别识别部，所述特征提取部用于使训练的样本数据的特征更加明显，并将样本数据整合成类别识别部的输入数据，所述类别识别部用于对所述输入数据进行分类；
所述第一数据集的样本数据经过特征提取步骤和类别识别步骤后输出，根据输出结果判定所述采样数据的阈值是否超出预设范围。
若所述采样数据的阈值超出预设范围，则判定所述采样数据为第一类数据，即异常数据，如果没有超出预设范围，则判定为第二类数据，即正常数据。
进一步的，所述将采集到的采样数据进行预处理的步骤还包括：
将采集到的采样数据整理成原始数据集，取所述原始数据集中的最大值imax，将所述原始数据集中的每个数据与所述最大值imax相加，并通过文本嵌入技术映射到高维空间形成第一数据集，便于后续的特征提取。
进一步的，所述特征提取步骤包括：
输入数据依次进入第一特征提取模块、第二特征提取模块和第三特征提取模块，其中所述第一特征提取模块包括一个注意机制模块，所述第二特征提取模块包括两个1×1卷积块、一个3×3卷积块和一个注意机制模块，所述第三特征提取模块包括两个1×1卷积块、一个 3×3卷积块和两个全连接层。
经过所述特征提取步骤处理后，数据之间的差异会被放大，更利于后续的类别识别部进行分类处理。
进一步的，所述注意力机制模块的计算规则为：
其中，A、B、E是大小相同的张量，dk为输入的词嵌入维度，所述词嵌入维度等于文本嵌入后每一个词对应的映射维度，sigmiod函数用于对张量进行激活。
进一步的，所述类别识别步骤包括：
使用第一超平面对所述输入数据进行分类，要求离超平面最近的两个异类距离之和尽可能的大，根据分类的结果，所述甲状腺识别模型输出的结果是-1或者1，其中1代表所述采样数据为第一类数据，即异常数据，-1代表所述采样数据为第二类数据，即正常数据。
其中，所述第一超平面的表达式为：
M＝wTx+b 其中，w＝(w1；w2；…；wm)为法向量，决定了超平面的方向；m为训练样本数，b为位移项，决定了超平面与原点之间的距离，这个超平面记为(w，b)。
进一步的，所述第一超平面的表达式中w和b的具体推导过程包括：
样本空间中任意点x到超平面(w，b)的距离r可写为：
离超平面最近的两个异类距离之和是由支持向量决定，两个异类支持向量到超平面的距离之和为：
支持向量机的基本型为：
s.t.yi(wTxi+b)≥1，i＝1，2，…，m
根据这个问题拉格朗日表达式，对w和b求偏导为零，由对偶问题可得最终优化目标函数：
其中，约束条件为：α≥0且代入训练样本值可以求出α，进而求出w和 b，带入模型可得到：
优选的，使用的优化目标函数的核函数为：
所述核函数的前一部分采用线性核xi Txj，考虑了线性可分的情况；后边一部分采用高斯核解决输入高维数据存在线性不可分的情况，使得模型可以适用更多场景。其中，x为训练模型时的采样得到的各个电阻率向量，σ是一个大于0的常量用来控制后一部分作用的重要程度。
与现有技术相比，本申请通过使用生物电阻抗信息收集平台收集甲状腺部分的电阻率数据，通过对电阻率数据进行处理，经过特征提取步骤，使用了基于注意机制和卷积神经网络的特征提取网络，获得数据中的更多相互关系，能够挖掘数据更多的特征信息，并使得任务主要关注重点特征，忽略不重要特征，使得数据之间的差异被拉大，从而让后续分类的结果更为准确。而所述类别识别步骤使用机器学习算法处理特征提取后的数据，采用线性核和高斯核叠加的方式，既考虑到了线性可分的情况也考虑到了输入高维数据存在线性不可分的情况，使得模型可以适用更多场景。
附图说明
图1为本发明提供的一种基于机器学习的甲状腺采样数据识别方法的步骤示意图；
图2为本发明一实施例中的基于深度学习的特征提取网络100的示意图。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”、“若干个”的含义是两个或两个以上，除非另有明确具体的限定。
本发明中的术语“和/或”，仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，和同时存在A和B这三种情况。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
在本发明的一个实施中，图1为本发明提供的一种基于机器学习的甲状腺采样数据识别方法的步骤示意图，如图1所示，所述方法包括以下步骤：对待测对象的颈前部施加激励源，获取m个待测对象在不同激励条件下的采样数据。由于待采样的数据为甲状腺测量数据，而甲状腺左右叶呈锥体形，贴于喉和气管的侧面，上端达甲状软骨的中部，下端抵第四气管环，尺寸长约5cm，宽约2.4cm，则可以在所述待测对象的颈前部选取一个3*3的矩形采样区域或者直径为3cm的圆形采样区域，对该采样区域施加一个体外激励源，获取该采样数据内的电阻率数据并记录为该待测对象在该激励源下的甲状腺部分电阻率。
本发明采用生物阻抗采集平台采集待测对象在不同激励源下的甲状腺部分的电阻率，其中生物阻抗采集平台不涉及本案实际发明点，在此不再赘述。
其中激励源的频率从低到高依次可选择为：10000，11874.14，14592.33，17932.276， 22037.87，27082.71，33282.39，42330.9，53839.43，61770.64，75910.98，93288.28，114643.54，136129.31，167291.61，205587.48，232649.92，270291.61，300000，单位是赫兹(Hz)。而每一个激励源下测得的病人甲状腺处的电阻率的单位是欧姆·厘米(Ω·cm)，所以每一个病人的可以检测到19个数据指标。
将采集到的采样数据进行预处理，并整理成第一数据集。其中所述将采集到的采样数据进行预处理的步骤还包括：
将采集到的采样数据整理成原始数据集，每个所述采样数据都被编码为一个二维向量，则所述原始数据集可以被表示为其中xi为电阻率数据，yi为激励源频率或者电压值，取所述原始数据集中的最大值imax，将所述原始数据集中的每个数据与所述最大值 imax相加，并通过文本嵌入技术映射到高维空间形成第一数据集，便于后续的特征提取。
将所述第一数据集内的样本数据输入甲状腺识别模型，其中所述甲状腺识别模型包括特征提取部和类别识别部，所述特征提取部用于使训练的样本数据的特征更加明显，并将样本数据整合成类别识别部的输入数据，所述类别识别部用于对所述输入数据进行分类。
所述第一数据集的样本数据经过特征提取步骤和类别识别步骤后输出，根据输出结果判定所述采样数据的阈值是否超出预设范围。
作为本发明的一个实施方式，图2为本发明一实施例中的基于深度学习的特征提取网络 100的示意图，如图2所示，所述特征提取步骤包括：输入数据依次进入第一特征提取模块 101、第二特征提取模块102和第三特征提取模块103，其中所述第一特征提取模块101包括一个注意机制模块，所述第二特征提取模块102包括两个1×1卷积块、一个3×3卷积块和一个注意机制模块，所述第三特征提取模块103包括两个1×1卷积块、一个3×3卷积块和两个全连接层。
所述特征提取部分的输入数据是进行文本嵌入后映射到高维空间后的数据。输入数据进入第一个特征提取模块会进行注意机制的运算，通过注意机制的计算不会改变张量的形状，然后进入第二个特征提取模块，先会进行1×1卷积块对通道维进行升维，再进行3×3卷积块计算感受野和1×1卷积块进行降维，最后进行注意机制的计算。
其中所述特征提取网络100的具体参数如下表所示：
最后，进入最后一个特征提取模块，先会进行1×1卷积对通道维进行升维，再进行3×3 卷积计算感受野和1×1卷积进行降维，然后对张量变形前2个维度与没有进行高维映射之前的大小相同，最后进行两次全连接操作将最后一维的大小也还原回没有进行高维映射之前的大小，也即，将张量变形，第一个维度不变，将后两个维度数据进行合并，然后将数据输入第一个全连接层，第一个全连接层输出维度设置为512，第二个全连接层输出维度设置为19。
其中所述注意机制模块的计算规则为：
其中，A、B、E是大小相同的张量，dk为输入的词嵌入维度，所述词嵌入维度等于文本嵌入后每一个词对应的映射维度，sigmiod函数用于对张量进行激活。也即所述注意机制模块将输入的张量拷贝两份分别形成张量A和张量B，并将张量A与转置之后的张量B进行相乘，再除以lndk，然后使用sigmoid函数对张量进行激活，使张量中的数值范围处于0到1 之间，最后将输出张量与E相乘，得到与输入张量大小相同的张量。所述注意机制模块对源数据序列进行数据加权变换，用于计算数据特征和控制张量大小，为后续任务分类提供不同的特征权重影响，使得任务主要关注重点特征，忽略不重要特征，使得数据之间的差异被拉大，从而使得后续分类的结果更为准确。
作为本发明的一个实施方式，所述类别识别步骤包括：使用第一超平面对所述输入数据进行分类，要求离超平面最近的两个异类距离之和尽可能的大，从而使得样本局部扰动时对模型的影响最小，产生的分类结果最鲁棒且对未见示例的泛化能力最强。
其中，所述第一超平面的表达式为：
M＝wTx+b
其中，w＝(w1；w2；…；wm)为法向量，决定了超平面的方向；m为训练样本数，b为位移项，决定了超平面与原点之间的距离，这个超平面记为(w，b)。
进一步的，所述第一超平面的表达式中w和b的具体推导过程包括：
样本空间中任意点x到超平面(w，b)的距离r可写为：
离超平面最近的两个异类距离之和是由支持向量决定，两个异类支持向量到超平面的距离之和为：
支持向量机的基本型为：
s.t.yi(wTxi+b)≥1，i＝1，2，…，m
根据这个问题拉格朗日表达式，对w和b求偏导为零，由对偶问题可得最终优化目标函数：
其中，约束条件为：α≥0且代入训练样本值可以求出α，进而求出w和 b，带入模型可得到：
优选的，使用的优化目标函数的核函数为：
所述核函数的前一部分采用线性核xi Txj，考虑了线性可分的情况；后边一部分采用高斯核解决输入高维数据存在线性不可分的情况，使得模型可以适用更多场景。其中，x为训练模型时的采样得到的各个电阻率向量，σ是一个大于0的常量用来控制后一部分作用的重要程度。
最终，甲状腺识别模型输出的结果是-1或者1，其中1代表所述采样数据为第一类数据，即异常数据，-1代表所述采样数据为第二类数据，即正常数据。
本发明提供一种基于机器学习的甲状腺采样数据处理方法，不仅可以通过生物电阻抗采集平台采集的数据来识别待测对象是否患有甲状腺肿瘤，而且还可以输出预测结果的准确性。具体应用是本团队与相关医学机构的合作，使用医学机构提供的数据，并通过上述实施用例方法制作数据集并训练我们自己的网络得到的甲状腺肿瘤识别模型，通过在现实情况下的验证中，该模型的甲状腺肿瘤识别准确率可以达到90％以上，可以可靠的识别病人是否患有甲状腺肿瘤，可以有效节省病人的时间和金钱，可以作为医生诊断的有效数据支撑。可以理解的是，在病理采样数据本身不影响识别方法的情况下，该识别方法不仅可以用于甲状腺采样数据的识别，还可衍生到皮肤、直肠、宫颈等其他组织病理的识别。
此外，本发明还提供一种电子设备，包括存储器和处理器，所述处理器用于执行所述存储器中存储的甲状腺识别模型，以实现上述的基于循环神经网络的甲状腺采样数据识别方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器 (RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态 RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型 SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上，使得在计算机或其他可编程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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于机器学习的甲状腺采样数据识别方法，其特征在于，包括以下步骤：
对待测对象的颈前部施加激励源，获取个待测对象在不同激励条件下的采样数据；
将采集到的采样数据进行预处理，并整理成第一数据集，将所述第一数据集内的样本数据输入甲状腺识别模型，其中所述甲状腺识别模型包括特征提取部和类别识别部，所述特征提取部用于使训练的样本数据的特征更加明显，并将样本数据整合成类别识别部的输入数据，所述类别识别部用于对所述输入数据进行分类；
所述第一数据集的样本数据经过特征提取步骤和类别识别步骤后输出，根据输出结果判定所述采样数据的阈值是否超出预设范围；
所述特征提取步骤包括：
输入数据依次进入第一特征提取模块、第二特征提取模块和第三特征提取模块，其中，
所述第一特征提取模块包括一个注意机制模块，
所述第二特征提取模块包括两个1×1卷积块、一个3×3卷积块和一个注意机制模块，
所述第三特征提取模块包括两个1×1卷积块、一个3×3卷积块和两个全连接层；
所述注意力机制模块的计算规则为：
其中，A、B、E是大小相同的张量，为输入的词嵌入维度，sigmiod函数用于对张量进行激活；
所述将采集到的采样数据进行预处理的步骤还包括：
将采集到的采样数据整理成原始数据集，取所述原始数据集中的最大值imax，将所述原始数据集中的每个数据与所述最大值imax相加，并通过文本嵌入技术映射到高维空间形成第一数据集，便于后续的特征提取；
使用的优化目标函数的核函数为：
其中，为训练模型时的病人电阻率向量，/>是一个大于0的常量。
2.根据权利要求1所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，所述类别识别步骤包括：
使用第一超平面对所述输入数据进行分类，根据分类的结果，所述甲状腺识别模型输出的结果是-1或者1，其中1代表所述采样数据为第一类数据，即异常数据，-1代表所述采样数据为第二类数据，即正常数据。
3.根据权利要求2所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，所述第一超平面的表达式为：
其中，为法向量，其中/>为训练样本数，/>决定了超平面的方向，为位移项，这个超平面记为/>。
4.根据权利要求3所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，所述第一超平面的表达式中和/>的推导过程包括：
样本空间中任意点x到超平面的距离r可写为：
所以两个异类支持向量到超平面的距离之和为：
支持向量机的基本型为：
根据这个问题拉格朗日表达式，对和/>求偏导为零，由对偶问题可得最终优化目标函数：
其中，约束条件为：且 />，代入训练样本值可以求出/>，进而求出/>和。
5.一种电子设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的甲状腺识别模型，以实现权利要求1-4中任意一项所述的一种基于机器学习的甲状腺采样数据识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211106029.9A CN115546109B (zh) | 2022-09-09 | 2022-09-09 | 一种基于机器学习的甲状腺采样数据识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211106029.9A CN115546109B (zh) | 2022-09-09 | 2022-09-09 | 一种基于机器学习的甲状腺采样数据识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115546109A CN115546109A (zh) | 2022-12-30 |
| CN115546109B true CN115546109B (zh) | 2023-10-27 |
Family
ID=84725743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211106029.9A Active CN115546109B (zh) | 2022-09-09 | 2022-09-09 | 一种基于机器学习的甲状腺采样数据识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115546109B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107137082A (zh) * | 2017-06-29 | 2017-09-08 | 幸韵（厦门）医疗科技有限公司 | 一种人体细胞组织无损检测装置及其检测方法 |
| CN110852390A (zh) * | 2019-11-13 | 2020-02-28 | 山东师范大学 | 一种基于校园行为序列的学生成绩分类预测方法及系统 |
| CN111311703A (zh) * | 2020-01-21 | 2020-06-19 | 浙江工业大学 | 一种基于深度学习的电阻抗断层图像重构方法 |
| CN112819076A (zh) * | 2021-02-03 | 2021-05-18 | 中南大学 | 基于深度迁移学习的医学图像分类模型的训练方法及装置 |
-
2022
- 2022-09-09 CN CN202211106029.9A patent/CN115546109B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107137082A (zh) * | 2017-06-29 | 2017-09-08 | 幸韵（厦门）医疗科技有限公司 | 一种人体细胞组织无损检测装置及其检测方法 |
| CN110852390A (zh) * | 2019-11-13 | 2020-02-28 | 山东师范大学 | 一种基于校园行为序列的学生成绩分类预测方法及系统 |
| CN111311703A (zh) * | 2020-01-21 | 2020-06-19 | 浙江工业大学 | 一种基于深度学习的电阻抗断层图像重构方法 |
| CN112819076A (zh) * | 2021-02-03 | 2021-05-18 | 中南大学 | 基于深度迁移学习的医学图像分类模型的训练方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115546109A (zh) | 2022-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ke et al. | A neuro-heuristic approach for recognition of lung diseases from X-ray images | |
| Tilve et al. | Pneumonia detection using deep learning approaches | |
| Selvathi et al. | Deep learning techniques for breast cancer detection using medical image analysis | |
| CN110390674B (zh) | 图像处理方法、装置、存储介质、设备以及系统 | |
| Ahmad et al. | Deep learning: a breakthrough in medical imaging | |
| Amjoud et al. | Automatic generation of chest x-ray reports using a transformer-based deep learning model | |
| Gunasekaran | Leveraging object detection for the identification of lung cancer | |
| Özbay et al. | A cnn framework for classification of melanoma and benign lesions on dermatoscopic skin images | |
| Raj et al. | Automatic psoriasis lesion segmentation from raw color images using deep learning | |
| Ashwath et al. | TS-CNN: a three-tier self-interpretable CNN for multi-region medical image classification | |
| Alshawi et al. | Skin cancer image detection and classification by cnn based ensemble learning | |
| CN115546109B (zh) | 一种基于机器学习的甲状腺采样数据识别方法及装置 | |
| CN112750519A (zh) | 医学图像数据的匿名化 | |
| IT201800010833A1 (it) | Procedimento di elaborazione di immagini, sistema e prodotto informatico corrispondenti | |
| Shanthi et al. | Survey on Detection of Melanoma Skin Cancer Using Image Processing and Machine Learning | |
| Zou et al. | Improved breast ultrasound tumor classification using dual-input CNN with GAP-guided attention loss | |
| CN116304781B (zh) | 一种基于循环神经网络的甲状腺采样数据识别方法 | |
| Khaliq et al. | LCCNet: A Deep Learning based Method for the Identification of Lungs Cancer using CT Scans | |
| Majeed et al. | Skin Tumors Diagnosis Utilizing Case Based Reasoning and The Expert System | |
| Chin et al. | CWD2GAN: Generative adversarial network of chronic wound depth detection for predicting chronic wound depth | |
| CN116186574B (zh) | 一种基于人工智能的甲状腺采样数据识别方法 | |
| CN116226702B (zh) | 一种基于生物电阻抗的甲状腺采样数据识别方法 | |
| CN115481681B (zh) | 一种基于人工智能的乳腺采样数据的处理方法 | |
| CN116186575B (zh) | 一种基于机器学习的乳腺采样数据处理方法 | |
| Guo et al. | The Gap in the Thickness: Estimating Effectiveness of Pulmonary Nodule Detection in Thick-and Thin-Section CT Images with 3D Deep Neural Networks |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |