CN116226702A - 一种基于生物电阻抗的甲状腺采样数据识别方法 - Google Patents
一种基于生物电阻抗的甲状腺采样数据识别方法 Download PDFInfo
- Publication number
- CN116226702A CN116226702A CN202211101851.6A CN202211101851A CN116226702A CN 116226702 A CN116226702 A CN 116226702A CN 202211101851 A CN202211101851 A CN 202211101851A CN 116226702 A CN116226702 A CN 116226702A
- Authority
- CN
- China
- Prior art keywords
- data
- thyroid
- output
- sampling data
- bioelectrical impedance
- 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.)
- Granted
Links
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 52
- 238000005070 sampling Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000005284 excitation Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000003325 tomography Methods 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 8
- 238000003384 imaging method Methods 0.000 abstract description 7
- 208000024770 Thyroid neoplasm Diseases 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000002847 impedance measurement Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000000750 progressive effect Effects 0.000 abstract description 3
- 208000013076 thyroid tumor Diseases 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 210000000534 thyroid cartilage Anatomy 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 208000009453 Thyroid Nodule Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 210000005062 tracheal ring Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种基于生物电阻抗的甲状腺采样数据识别方法,采用生物电阻抗测量方法获得采样数据并对采样数据进行预处理,将得到的数据集输入甲状腺识别模型中采用多层完善后的循环神经网络模块进行特征提取、递进式全连接操作进行特征融合以及选用改进后的随机森林算法进行分类识别;进而判定采样数据是否超出预设范围。该方法无需进行成像处理即可简单准确识别甲状腺肿瘤,充分利用了阻抗技术数据稳定、成像效果不佳的特点。另外与现有的学习方法相比,本发明采用了深度学习方法挖掘各采样数据之间的空间关系,能够自动进行特征提取与融合,有利于放大数据特征,通过在训练过程中参数的不断调节,显著提高模型识别的准确率。
Description
技术领域
本发明涉及医疗智能识别技术领域,具体地,涉及一种基于生物电阻抗的甲状腺采样数据识别方法。
背景技术
甲状腺结节是指在甲状腺内的肿瘤,鉴于甲状腺结节的高发病率,如能首先通过非手术方式识别出尽可能多的甲状腺肿瘤,则可大幅度减少不必要的诊断性手术数量,既可减少手术给病人带来的损伤,又可更合理地应用有限的医疗资源。
目前诊断甲状腺肿瘤的传统方法有穿刺细胞学检查、X线检查、甲状腺扫描、核磁共振成像(magnetic resonance imaging,MRI)、电子计算机断层扫描(computedtomography,CT)、B超等,一般均依靠医学成像技术。然而,目前临床上常用的医学成像技术如电子计算机断层扫描(computed tomography,CT),成像精度较高、性能稳定,但这这种技术具有电离辐射危害,会对人体组织造成一定程度的损伤,对正常成年人使用有一定的次数限制,对儿童和孕妇使用须更加谨慎。核磁共振成像(magnetic resonance imaging,MRI)和超声技术虽然对没有放射性对人体组织造成损伤,且此两种技术由于忽略了超声波与人体组织间的相互作用,过滤了许多有用信息,因而在清晰度、分辨率以及准确性等方面存在一定问题。
生物电阻抗测量(ElectricaI BioimPedance Measurement),或简称阻抗技术,是一种利用生物组织与器官的电特性及其变化规律提取与人体生理、病理状况相关的生物医学信息的检测技术。它通常是借助置于体表的电极系统向检测对象送入一微小的交流测量电流或电压,检测相应的电阻抗及其变化,然后根据不同的应用目的,获取相关的生理和病理信息。现阶段该技术空间分辨率还相对较低,无法与现有医学成像手段所比拟,但由于该技术不使用射线,因而不会对人体造成伤害;同时不需要使用对环境要求严格的传感器(如MRI),因而结构相对简单,体积小且造价低;更为关键的是,由于组织的功能性变化(如血供、电解质浓度、膜的通透性和局部温升等)均会导致其电阻抗特性的改变,因而其能够在器官病变发生前检测到病变的存在,因而在疾病的早期辅助诊断与筛查方面有着广泛的应用前景。
鉴于生物电阻抗测量技术的优势以及其在成像方面的问题,有必要提供一种无需成像处理即可简单准确识别甲状腺采样数据的方法。
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生物电阻抗的甲状腺采样数据识别方法,其采用生物电阻抗断层技术获得采样数据,并对数据进行有效的提取、融合和分类,进而实现对甲状腺采样数据的识别,该识别方法无需对数据进行成像处理,简化了诊断流程,且准确性高。
本发明的目的可以通过以下技术方案来实现:
一种基于生物电阻抗的甲状腺采样数据识别方法,包括以下步骤:
步骤1,使用生物电阻抗断层前端采集平台,对待测对象颈前部施加激励源,获取待测对象在不同激励条件下的采样数据;
步骤2,将所述采样数据进行预处理获得数据集,将所述数据集送入甲状腺识别模型中,其中所述甲状腺识别模型包括特征提取部、特征融合部以及分类识别部;所述特征提取部基于循环神经网络形成,并将推理提取后的数据整合成特征融合部的输入数据,所述特征融合部采用融合网络对所述输入数据进行特征融合;所述分类识别部采用基于机器学习的分类算法对特征融合后的数据进行分类;
步骤3,分类识别部输出分类结果,根据分类结果判定所述采样数据是否超出预设范围。
进一步地,所述步骤2中对采样数据进行预处理获得数据集的步骤中,
采样数据包括指标数据,所述指标数据包括激励源的频率和所述激励源的频率对应的电阻率,将指标数据转换为浮点型张量;
转换后的指标数据是二维数据,采用维度映射的方式将所述二维数据转换为三维数据。
进一步地,步骤2中所述特征提取部包括8个循环神经网络模块,其中每一个循环神经网络模块均包括开启门和状态门,所述数据集依次通过8个所述循环神经网络模块。
进一步地,所述的开启门的具体操作如下:
计算开启门门控值Si和状态门门控值Ci:
开启门门控值Si是将上一个时间隐含状态hi-1与当前状态的输入xi对应位置相加,然后进行全连接操作输出的尺寸等于输入尺寸,再使用sigmoid激活函数获得;
状态门门控值Ci是将上一个时间隐含状态hi-1与当前状态的输入xi对应位置相加,相加后的结果乘以状态保留比例,然后进行全连接操作输出的尺寸等于输入尺寸,再使用sigmoid激活函数获得;这里的i代表的是第i个采样数据。
进一步地,所述状态门的具体操作如下:
得到门控值后,计算第一个中间变量hi-1′,计算方式是使用状态门门控值Ci乘以上一个时间隐含状态hi-1;
再计算第二个中间变量hi′,计算方式是使用第一个中间变量hi-1′与当前状态的输入xi进行拼接,拼接后进行全连接操作,该全连接操作的输出尺寸设置为输入尺寸的一半,随后再进行tanh激活操作;
最后计算当前时间隐含状态hi和当前状态输出yi,当前时间隐含状态hi的计算方式是将1减去开启门门控值Si,再与hi-1′相乘,最后加上Si乘以hi′,得到最后结果;当前状态输出yi与hi相等。
进一步地,所述特征融合部分包括两个全连接层,第1个全连接层的输入是将第8个循
环神经网络模块的输出与第6个循环神经网络的输出都去掉第一个维度,再进行对应位置相加操作得到的,其中第1个全连接层的输入尺寸和输出尺寸不变;
然后进行第2个全连接层操作,第2个全连接层的输入是将第1个全连接层的输出加上去掉第一个维度的第4个循环神经网络的输出得到,同样第2个全连接层的输入尺寸和输出尺寸不变。
进一步地,步骤2所述的基于机器学习的分类算法采用随机森林算法,所述随机森林算法采用绝大多数赞成投票机制。
更进一步地,所述随机森林算法中,在构建决策树时每次选取随机的8个属性值进行构建,随机森林中决策树设定为15棵,且只有当不少于12棵树都赞成同一种分类时,才输出分类结果,否则分类无效,默认输出为0代表未超出预设范围。
本发明另一个目的在于提供一种电子设备,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。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明采用生物电阻抗测量方法获得采样数据并对采样数据进行预处理,将得到的
数据集输入甲状腺识别模型中采用多层完善后的循环神经网络模块进行特征提取、递进式全连接操作进行特征融合以及选用改进后的随机森林算法进行分类识别;进而判定采样数据是否超出预设范围。该方法无需进行成像处理即可简单准确识别甲状腺采样数据,充分利用了阻抗技术数据稳定、成像效果不佳的特点。另外与现有的学习方法相比,本发明采用了深度学习方法挖掘各采样数据之间的空间关系,能够自动进行特征提取与融合,有利于放大数据特征,通过在训练过程中参数的不断调节,显著提高模型识别的准确率。
(2)本发明在循环神经网络模块中修改了隐藏状态门控值的计算方式,在相近预测精度的基础上,简化了网络结构,加快了收敛的时间;改进后的随机森林算法,进一步降低病人被误诊的概率。
(3)本发明的识别方法可以在一定程度解决检测流程繁琐的问题,提高判断的准确性。
附图说明
图1为本发明实施例提供的一种基于生物电阻抗的甲状腺采样数据识别方法的流程示意图;
图2为本发明实施例提供的基于生物电阻抗的甲状腺识别模型的特征提取网络和特征融合网络的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本实施例提供的一种基于生物电阻抗的甲状腺采样数据识别方法包括如下3个步骤:
步骤1,使用生物电阻抗断层前端采集平台,对待测对象的颈前部施加激励源并采样,采样对象为甲状腺,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4气管环,长约5cm,宽约2.4cm,在颈前部设置直径3cm的圆形采样区域,收集该3cm直径的圆形面积中的待测对象体外激励频率安全频率范围内逐渐升高时的电阻率变化数据;
其中激励源的频率从10000Hz逐渐增加到30000Hz,具体为:10000,12289.17,16741.96,19879.63,23605.35,29009.01,35649.66,45341.76,57668.84,66164.18,81310.27,99923.56,122797.75,145811.75,179190.52,220210.23,270620.06,290641.83,300000,单位是赫兹(Hz),每一个激励源下获得的待测对象甲状腺处的电阻率的单位是欧姆厘米(Ω·cm)。
步骤2,将所述采样数据进行预处理获得数据集,将所述数据集送入甲状腺识别模型中,通过该模型对数据集进行特征提取、融合和分类。
2.1对采样数据进行预处理获得数据集的步骤中,采样数据包括指标数据,所述指标数据包括激励源的频率和所述激励源的频率对应的电阻率;将该指标数据转换为浮点型张量,进而形成由激励源频率和电阻率形成的二维数据,为了便于甲状腺识别模型计算,采用维度映射的方式将所述二维数据转换为三维数据。
另外,在对甲状腺识别模型进行训练时,采样数据还包括标签数据,即指代该组指标数据所对应的待测对象是否存在甲状腺异常,模型训练时,将该标签数据转换为整形张量。
2.2所述甲状腺识别模型包括特征提取部、特征融合部以及分类识别部;所述特征提取部基于循环神经网络形成,并将推理提取后的数据整合成特征融合部的输入数据,所述特征融合部采用融合网络对所述输入数据进行特征融合;所述分类识别部采用基于机器学习的分类算法对特征融合后的数据进行分类。
2.2.1.作为本发明的一个实施方式,图2为本发明实施例提供的基于生物电阻抗的甲状腺识别模型的特征提取网络和特征融合网络的示意图,如图2所示,特征提取部101包括8个循环神经网络模块,其中每一个循环神经网络模块均包括开启门和状态门,所述数据集依次通过8个所述循环神经网络模块。
所述的开启门的具体操作如下:计算开启门门控值Si和状态门门控值Ci:
开启门门控值Si是将上一个时间隐含状态hi-1与当前状态的输入xi对应位置相加,然后进行全连接操作输出的尺寸等于输入尺寸,再使用sigmoid激活函数获得;
状态门门控值Ci是将上一个时间隐含状态hi-1与当前状态的输入xi对应位置相加,相加后的结果乘以状态保留比例,然后进行全连接操作输出的尺寸等于输入尺寸,再使用sigmoid激活函数获得;这里的i代表的是第i个采样数据。
优选地,所述状态保留比例为0.95。
该操作在保证预测精度的基础上,激活函数缩小模型参数范围,减少样本的过拟合问题,加快模型计算时间。
进一步地,所述状态门的具体操作如下:
得到门控值后,计算第一个中间变量hi-1′,计算方式是使用状态门门控值Ci乘以上一个时间隐含状态hi-1;再计算第二个中间变量hi′,计算方式是使用第一个中间变量hi-1′与当前状态的输入xi进行拼接,拼接后进行全连接操作,该全连接操作的输出尺寸设置为输入尺寸的一半,随后再进行tanh激活操作。
该操作中,选择在拼接后进行全连接操作的输出尺寸设置为输入尺寸的一半,同样能够在保证预测精度的基础上,减少了模型参数,简化了网络结构,防止过拟合,加快模型运算效率。
最后计算当前时间隐含状态hi和当前状态输出yi,当前时间隐含状态hi的计算方式是将减去开启门门控值Si,再与hi-1′相乘,最后加上Si乘以hi′,得到最后结果;当前状态输出yi与hi相等。
本发明通过设置8个经训练完善后的循环神经网络模块进行深度学习,一方面,由于循环神经网络中具有记忆性和参数共享的特点,实现了资源的合理利用,同时降低误差的累积程度,避免梯度消失的问题;另一方面,为了保证模型的学习能力,合适的收敛以及防止过拟合,本发明通过对模型不断训练和调试,最终确定8个循环神经网络模块叠加。
2.2.2.如图2所示,特征融合部102包括两个全连接层,第1个全连接层的输入是将第8个循环神经网络模块的输出与第6个循环神经网络的输出都去掉第一个维度,再进行对应位置相加操作得到的,其中第1个全连接层的输入尺寸和输出尺寸不变;然后进行第2个全连接层操作,第2个全连接层的输入是将第1个全连接层的输出加上去掉第一个维度的第4个循环神经网络的输出得到,同样第2个全连接层的输入尺寸和输出尺寸不变。
本发明选择2个全连接层操作,一方面提高模型非线性表达能力,增强模型的学习能力,另一方面这种递进式全连接操作不仅可以获得更多数据之间的关联信息,使数据之间的关联性更强,提高模型的精准度;而且间隔性选用第8、6、4个循环神经网络输出数据进行计算,降低了模型的复杂度,减少运算时间。
2.2.3.分类识别部采用基于机器学习的分类算法对特征融合后的数据进行分类。其中,所述的基于机器学习的分类算法采用随机森林算法,该算法采用绝大多数赞成投票机制。在构建决策树时每次选取随机的8个属性值进行构建,随机森林中决策树设定为15棵,且只有当不少于12棵树都赞成同一种分类时,才输出分类结果,否则分类无效,默认输出为0代表未超出预设范围。
本发明随机森立算法中每次选择的属性值均为8个,且当15棵决策树中不少于12棵树都赞成同一种分类时,才输出分类结果,上述参数的选择是通过在保证模型精准度和运算速度的基础上对模型不断训练和调试得到的最优结果。
随机森林算法在训练和预测时使用的数据是通过基于循环神经网络的特征提取与融合网络处理后的数据,数据特征更加明显、更易于算法进行分类。
步骤3,分类识别部输出分类结果,根据分类结果判定所述采样数据是否超出预设范围。
具体地,输出结果为0或者1,0代表采样数据无异常,1代表采样数据超出预设范围。生物组织在发生病变时与正常时的阻抗变化明显,若所述采样数据超出预设范围,则说明待检测人体的甲状腺部分出现病变;若采样数据未超出预设范围,则说明待检测人体的甲状腺部分生理状况正常。
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。
本发明提供一种基于生物电阻抗的甲状腺采样数据识别方法,可以通过生物电阻抗采集平台采集的数据来识别被测对象是否存在甲状腺异常。通过上述实施例方法制作数据集并训练得到基于循环神经网络的甲状腺识别模型,经过验证,该甲状腺识别模型识别准确率可以达到95%以上,能够有效识别被测对象是否存在甲状腺异常,大大降低了误诊的概率。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。
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 (9)
1.一种基于生物电阻抗的甲状腺采样数据识别方法,其特征在于,包括以下步骤:
步骤1,使用生物电阻抗断层前端采集平台,对待测对象颈前部施加激励源,获取待测对象在不同激励条件下的采样数据;
步骤2,将所述采样数据进行预处理获得数据集,将所述数据集送入甲状腺识别模型中,其中所述甲状腺识别模型包括特征提取部、特征融合部以及分类识别部;所述特征提取部基于循环神经网络形成,并将推理提取后的数据整合成特征融合部的输入数据,所述特征融合部采用融合网络对所述输入数据进行特征融合;所述分类识别部采用基于机器学习的分类算法对特征融合后的数据进行分类;
步骤3,分类识别部输出分类结果,根据分类结果判定所述采样数据是否超出预设范围。
2.如权利要求1所述一种基于生物电阻抗的甲状腺采样数据识别方法,其特征在于,所述步骤2中对采样数据进行预处理获得数据集的步骤中,
采样数据包括指标数据,所述指标数据包括激励源的频率和所述激励源的频率对应的电阻率,将指标数据转换为浮点型张量;
转换后的指标数据是二维数据,采用维度映射的方式将所述二维数据转换为三维数据,即形成所述数据集。
3.如权利要求1所述一种基于生物电阻抗的甲状腺采样数据识别方法,其特征在于,步骤2中所述特征提取部包括8个循环神经网络模块,其中每一个循环神经网络模块均包括开启门和状态门,所述数据集依次通过8个所述循环神经网络模块。
4.如权利要求3所述一种基于生物电阻抗的甲状腺采样数据识别方法,其特征在于,所述的开启门的具体操作如下:
计算开启门门控值Si和状态门门控值Ci:
开启门门控值Si是将上一个时间隐含状态hi-1与当前状态的输入xi对应位置相加,然后进行全连接操作输出的尺寸等于输入尺寸,再使用sigmoid激活函数获得;
状态门门控值Ci是将上一个时间隐含状态hi-1与当前状态的输入xi对应位置相加,相加后的结果乘以状态保留比例,然后进行全连接操作输出的尺寸等于输入尺寸,再使用sigmoid激活函数获得;这里的i代表的是第i个采样数据。
5.如权利要求4中所述一种基于生物电阻抗的甲状腺采样数据识别方法,其特征在于:所述状态门的具体操作如下:
得到门控值后,计算第一个中间变量hi-1′,计算方式是使用状态门门控值Ci乘以上一个时间隐含状态hi-1;
再计算第二个中间变量hi′,计算方式是使用第一个中间变量hi-1′与当前状态的输入xi进行拼接,拼接后进行全连接操作,该全连接操作的输出尺寸设置为输入尺寸的一半,随后再进行tanh激活操作;
最后计算当前时间隐含状态hi和当前状态输出yi,当前时间隐含状态hi的计算方式是将1减去开启门门控值Si,再与hi-1′相乘,最后加上Si乘以hi′,得到最后结果;
当前状态输出yi与hi相等。
6.如权利要求3所述一种基于生物电阻抗的甲状腺采样数据识别方法,其特征在于,所述特征融合部分包括两个全连接层,第1个全连接层的输入是将第8个循环神经网络模块的输出与第6个循环神经网络的输出都去掉第一个维度,再进行对应位置相加操作得到的,其中第1个全连接层的输入尺寸和输出尺寸不变;
然后进行第2个全连接层操作,第2个全连接层的输入是将第1个全连接层的输出加上去掉第一个维度的第4个循环神经网络的输出得到,同样第2个全连接层的输入尺寸和输出尺寸不变。
7.如权利要求1所述一种基于生物电阻抗的甲状腺采样数据识别方法,其特征在于,步骤2所述的基于机器学习的分类算法采用随机森林算法,所述随机森林算法采用绝大多数赞成投票机制。
8.如权利要求7所述一种基于生物电阻抗的甲状腺采样数据识别方法,其特征在于,所述随机森林算法中,在构建决策树时每次选取随机的8个属性值进行构建,随机森林中决策树设定为15棵,且只有当不少于12棵树都赞成同一种分类时,才输出分类结果,否则分类无效,默认输出为0代表未超出预设范围。
9.一种电子设备,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1-8中任意一项所述的一种基于循环神经网络的甲状腺采样数据识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211101851.6A CN116226702B (zh) | 2022-09-09 | 2022-09-09 | 一种基于生物电阻抗的甲状腺采样数据识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211101851.6A CN116226702B (zh) | 2022-09-09 | 2022-09-09 | 一种基于生物电阻抗的甲状腺采样数据识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116226702A true CN116226702A (zh) | 2023-06-06 |
CN116226702B CN116226702B (zh) | 2024-04-26 |
Family
ID=86589838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211101851.6A Active CN116226702B (zh) | 2022-09-09 | 2022-09-09 | 一种基于生物电阻抗的甲状腺采样数据识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226702B (zh) |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105534524A (zh) * | 2016-02-05 | 2016-05-04 | 思澜科技(成都)有限公司 | 用于甲状腺术中甲状旁腺的快速识别设备及其方法 |
CN107066553A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 一种基于卷积神经网络与随机森林的短文本分类方法 |
CN107341542A (zh) * | 2016-04-29 | 2017-11-10 | 北京中科寒武纪科技有限公司 | 用于执行循环神经网络和lstm运算的装置和方法 |
CN107562784A (zh) * | 2017-07-25 | 2018-01-09 | 同济大学 | 基于ResLCNN模型的短文本分类方法 |
CN109711465A (zh) * | 2018-12-26 | 2019-05-03 | 西安电子科技大学 | 基于mll和asca-fr的图像字幕生成方法 |
CN109934260A (zh) * | 2019-01-31 | 2019-06-25 | 中国科学院信息工程研究所 | 基于随机森林的图文数据融合情感分类方法和装置 |
CN110196976A (zh) * | 2019-05-10 | 2019-09-03 | 新华三大数据技术有限公司 | 文本的情感倾向分类方法、装置和服务器 |
CN110309304A (zh) * | 2019-06-04 | 2019-10-08 | 平安科技(深圳)有限公司 | 一种文本分类方法、装置、设备及存储介质 |
CN111598183A (zh) * | 2020-05-22 | 2020-08-28 | 上海海事大学 | 一种多特征融合图像描述方法 |
CN112100841A (zh) * | 2020-09-09 | 2020-12-18 | 中铁二十局集团有限公司 | 盾构机姿态预测方法、装置、终端设备以及存储介质 |
CN112149616A (zh) * | 2020-10-13 | 2020-12-29 | 西安电子科技大学 | 基于动态信息的人物交互行为识别方法 |
CN112333194A (zh) * | 2020-11-09 | 2021-02-05 | 国网上海市电力公司 | 基于gru-cnn的综合能源网络安全攻击检测方法 |
CN112668196A (zh) * | 2021-01-04 | 2021-04-16 | 西安理工大学 | 机理与数据混合驱动的生成式对抗网络软测量建模方法 |
CN113312483A (zh) * | 2021-06-02 | 2021-08-27 | 郑州大学 | 一种基于自注意力机制和BiGRU的文本分类方法 |
CN113421228A (zh) * | 2021-06-03 | 2021-09-21 | 山东师范大学 | 一种基于参数迁移的甲状腺结节识别模型训练方法及系统 |
CN113609289A (zh) * | 2021-07-06 | 2021-11-05 | 河南工业大学 | 一种基于多模态对话文本的情感识别方法 |
CN113724010A (zh) * | 2021-09-01 | 2021-11-30 | 吉林亿联银行股份有限公司 | 客户流失预测方法及装置 |
CN113837894A (zh) * | 2021-08-06 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
CN114065744A (zh) * | 2021-11-19 | 2022-02-18 | 北京邮电大学 | 中文电子病历手术操作文本的icd自动编码方法及装置 |
CN114187581A (zh) * | 2021-12-14 | 2022-03-15 | 安徽大学 | 一种基于无监督学习的驾驶员分心细粒度检测方法 |
CN114330541A (zh) * | 2021-12-28 | 2022-04-12 | 于志青 | 道路交通事故风险预测深度学习算法 |
CN114401447A (zh) * | 2021-12-20 | 2022-04-26 | 北京字节跳动网络技术有限公司 | 一种视频卡顿预测方法、装置、设备和介质 |
CN114638956A (zh) * | 2022-05-23 | 2022-06-17 | 南京航空航天大学 | 一种基于体素化与三视图的飞机整机点云语义分割方法 |
CN114662651A (zh) * | 2022-01-24 | 2022-06-24 | 贵州大学 | 基于改进卷积残差记忆网络和门控循环单元的两阶段暂态稳定预测方法 |
CN114661504A (zh) * | 2022-02-23 | 2022-06-24 | 清华大学 | 一种对重复出现类型故障的可操作可解释的根因定位方法 |
KR20220098991A (ko) * | 2021-01-05 | 2022-07-12 | 세종대학교산학협력단 | 음성 신호에 기반한 감정 인식 장치 및 방법 |
CN114822684A (zh) * | 2022-05-18 | 2022-07-29 | 兰州大学 | 一种化合物-靶蛋白绑定关系预测方法及系统 |
CN114897025A (zh) * | 2022-05-23 | 2022-08-12 | 武汉纺织大学 | 一种人体姿态识别模型建立方法和人体姿态识别方法 |
-
2022
- 2022-09-09 CN CN202211101851.6A patent/CN116226702B/zh active Active
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105534524A (zh) * | 2016-02-05 | 2016-05-04 | 思澜科技(成都)有限公司 | 用于甲状腺术中甲状旁腺的快速识别设备及其方法 |
CN107341542A (zh) * | 2016-04-29 | 2017-11-10 | 北京中科寒武纪科技有限公司 | 用于执行循环神经网络和lstm运算的装置和方法 |
CN107066553A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 一种基于卷积神经网络与随机森林的短文本分类方法 |
CN107562784A (zh) * | 2017-07-25 | 2018-01-09 | 同济大学 | 基于ResLCNN模型的短文本分类方法 |
CN109711465A (zh) * | 2018-12-26 | 2019-05-03 | 西安电子科技大学 | 基于mll和asca-fr的图像字幕生成方法 |
CN109934260A (zh) * | 2019-01-31 | 2019-06-25 | 中国科学院信息工程研究所 | 基于随机森林的图文数据融合情感分类方法和装置 |
CN110196976A (zh) * | 2019-05-10 | 2019-09-03 | 新华三大数据技术有限公司 | 文本的情感倾向分类方法、装置和服务器 |
CN110309304A (zh) * | 2019-06-04 | 2019-10-08 | 平安科技(深圳)有限公司 | 一种文本分类方法、装置、设备及存储介质 |
CN111598183A (zh) * | 2020-05-22 | 2020-08-28 | 上海海事大学 | 一种多特征融合图像描述方法 |
CN112100841A (zh) * | 2020-09-09 | 2020-12-18 | 中铁二十局集团有限公司 | 盾构机姿态预测方法、装置、终端设备以及存储介质 |
CN112149616A (zh) * | 2020-10-13 | 2020-12-29 | 西安电子科技大学 | 基于动态信息的人物交互行为识别方法 |
CN112333194A (zh) * | 2020-11-09 | 2021-02-05 | 国网上海市电力公司 | 基于gru-cnn的综合能源网络安全攻击检测方法 |
CN112668196A (zh) * | 2021-01-04 | 2021-04-16 | 西安理工大学 | 机理与数据混合驱动的生成式对抗网络软测量建模方法 |
KR20220098991A (ko) * | 2021-01-05 | 2022-07-12 | 세종대학교산학협력단 | 음성 신호에 기반한 감정 인식 장치 및 방법 |
CN113312483A (zh) * | 2021-06-02 | 2021-08-27 | 郑州大学 | 一种基于自注意力机制和BiGRU的文本分类方法 |
CN113421228A (zh) * | 2021-06-03 | 2021-09-21 | 山东师范大学 | 一种基于参数迁移的甲状腺结节识别模型训练方法及系统 |
CN113609289A (zh) * | 2021-07-06 | 2021-11-05 | 河南工业大学 | 一种基于多模态对话文本的情感识别方法 |
CN113837894A (zh) * | 2021-08-06 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
CN113724010A (zh) * | 2021-09-01 | 2021-11-30 | 吉林亿联银行股份有限公司 | 客户流失预测方法及装置 |
CN114065744A (zh) * | 2021-11-19 | 2022-02-18 | 北京邮电大学 | 中文电子病历手术操作文本的icd自动编码方法及装置 |
CN114187581A (zh) * | 2021-12-14 | 2022-03-15 | 安徽大学 | 一种基于无监督学习的驾驶员分心细粒度检测方法 |
CN114401447A (zh) * | 2021-12-20 | 2022-04-26 | 北京字节跳动网络技术有限公司 | 一种视频卡顿预测方法、装置、设备和介质 |
CN114330541A (zh) * | 2021-12-28 | 2022-04-12 | 于志青 | 道路交通事故风险预测深度学习算法 |
CN114662651A (zh) * | 2022-01-24 | 2022-06-24 | 贵州大学 | 基于改进卷积残差记忆网络和门控循环单元的两阶段暂态稳定预测方法 |
CN114661504A (zh) * | 2022-02-23 | 2022-06-24 | 清华大学 | 一种对重复出现类型故障的可操作可解释的根因定位方法 |
CN114822684A (zh) * | 2022-05-18 | 2022-07-29 | 兰州大学 | 一种化合物-靶蛋白绑定关系预测方法及系统 |
CN114638956A (zh) * | 2022-05-23 | 2022-06-17 | 南京航空航天大学 | 一种基于体素化与三视图的飞机整机点云语义分割方法 |
CN114897025A (zh) * | 2022-05-23 | 2022-08-12 | 武汉纺织大学 | 一种人体姿态识别模型建立方法和人体姿态识别方法 |
Non-Patent Citations (4)
Title |
---|
L. MING ET AL: "Short-Term Load Forecasting Model of the Power System Based on ICSO_RF_GRU Networks", 《2021ICAIE》, pages 692 - 699 * |
张波: "基于SNP数据的精神分裂症的诊断模型研究与系统实现", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, vol. 2020, no. 3, pages 42 - 43 * |
邓卓等: "深度学习算法在乳腺肿瘤诊断中的应用研究", 《中国医疗设备》, vol. 35, no. 9, pages 60 - 64 * |
闫航等: "基于姿态估计与GRU网络的人体康复动作识别", 《计算机工程》, vol. 47, no. 1, pages 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN116226702B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018532436A (ja) | 数学的分析および機械学習を使用して病気を診断する方法およびシステム | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
Abuared et al. | Skin cancer classification model based on VGG 19 and transfer learning | |
Omar et al. | Detection of pneumonia from X-ray images using convolutional neural network | |
Yang et al. | Multiview sequential learning and dilated residual learning for a fully automatic delineation of the left atrium and pulmonary veins from late gadolinium-enhanced cardiac MRI images | |
Gunasekaran | Leveraging object detection for the identification of lung cancer | |
KR101968671B1 (ko) | 지능형 자동 방사선 치료계획 수립방법 및 시스템 | |
CN116226702B (zh) | 一种基于生物电阻抗的甲状腺采样数据识别方法 | |
Pham et al. | Deep learning for analysis of collagen fiber organization in scar tissue | |
Zhang et al. | An intelligent decision-making support system for the detection and staging of prostate cancer in developing countries | |
CN116304781B (zh) | 一种基于循环神经网络的甲状腺采样数据识别方法 | |
Kusuma et al. | A Hybrid Model for Skin Disease Classification using Transfer Learning | |
CN115953781A (zh) | 基于热层析影像的乳腺人工智能分析系统及方法 | |
CN116050691A (zh) | 医疗影像报告评估方法、装置、电子设备及存储介质 | |
Muthalagu et al. | Type of Skin Disease Identification by Machine Learning Using Python | |
CN116186575B (zh) | 一种基于机器学习的乳腺采样数据处理方法 | |
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 | |
CN116186574B (zh) | 一种基于人工智能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 | |
Yang et al. | Dermoscopic Image Classification of Pigmented Nevus under Deep Learning and the Correlation with Pathological Features. | |
Xie et al. | Automated Diagnosis of Melanoma Histopathological Images Based on Deep Learning Using Trust Counting Method | |
Akella et al. | Hybrid Edge-Artificial Intelligence Model for Identification and Classification of Brain Tumours from Computed Tomography Scans | |
Raziq et al. | Development of Light-Weight Convolutional Neural Network Model to Diagnose Tuberculosis | |
KR20100096470A (ko) | 씨티 이미지를 이동한 3차원 심장 모델링 방법 | |
Cheung et al. | A 3D deep learning classifier and its explainability when assessing coronary artery disease |
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 |