CN116646072A - 一种前列腺诊断神经网络模型的训练方法及装置 - Google Patents
一种前列腺诊断神经网络模型的训练方法及装置 Download PDFInfo
- Publication number
- CN116646072A CN116646072A CN202310568102.2A CN202310568102A CN116646072A CN 116646072 A CN116646072 A CN 116646072A CN 202310568102 A CN202310568102 A CN 202310568102A CN 116646072 A CN116646072 A CN 116646072A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- training
- network model
- sample
- 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
- 210000002307 prostate Anatomy 0.000 title claims abstract description 85
- 238000012549 training Methods 0.000 title claims abstract description 84
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000003062 neural network model Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000001131 transforming effect Effects 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 230000000452 restraining effect Effects 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 10
- 206010060862 Prostate cancer Diseases 0.000 description 7
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000010827 pathological analysis Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- GZCWLCBFPRFLKL-UHFFFAOYSA-N 1-prop-2-ynoxypropan-2-ol Chemical compound CC(O)COCC#C GZCWLCBFPRFLKL-UHFFFAOYSA-N 0.000 description 1
- 102000013563 Acid Phosphatase Human genes 0.000 description 1
- 108010051457 Acid Phosphatase Proteins 0.000 description 1
- 101710088194 Dehydrogenase Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004995 male reproductive system Anatomy 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004908 prostatic fluid Anatomy 0.000 description 1
- 238000003127 radioimmunoassay Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供的一种前列腺诊断神经网络模型的训练方法，包括：S1基于图卷积神经网络构建前列腺诊断神经网络模型，包括：将检测数据中不同数据类别设置为节点特征，基于所述节点特征的非线性关系生成全局网络；对所述全局网络的节点特征与所述图卷积神经网络的节点进行约束，形成前列腺诊断神经网络模型；S2获取样本数据进行所述前列腺诊断神经网络模型的训练，包括：基于已有的样本数据进行数据增强，获得训练样本和验证样本；基于所述训练样本和验证样本训练并获得所述前列腺诊断神经网络模型。本申请通过获得增强数据，是的训练测试样本得到大量补充，使得训练的检测模型准确度更高。
Description
技术领域
本申请涉及基于大数据的疾病诊断领域，尤其涉及一种前列腺诊断神经网络模型的训练方法。本申请还涉及一种前列腺诊断神经网络模型的训练装置。
背景技术
前列腺癌(prostaticcarcinoma，prostaticcancer，PCa)是男性生殖系最常见的恶性肿瘤，发病随年龄而增长，其发病率有明显的地区差异，欧关地区较高。
我国以前前列腺癌发病率较低，但由于人口老龄化，近年来发病率有所增加，为了对提到前列腺癌诊断效率和准确性，提出了如酸性磷酸酶的放射免疫测定，前列腺液的乳酸脱氢酶的测定，经直肠的超声显像，CT检查以及前列腺穿刺针改进等，使前列腺癌得以早期诊断。
前列腺癌的病理检出率和经验临床上的发病率有很大差异，恶性肿瘤早已成为城乡居民的首要死因，恶性肿瘤死亡率属于世界较高水平，而且呈持续的增长趋势。
目前，H&E染色病理切片仍是诊断组织癌变的金标准。然而，病理诊断往往依赖于病理医生的主观判断，容易造成误诊和漏诊。同时，由于病理医生的专业水平参差不齐，且存在地域分布的不均衡性，在不发达地区病理诊断存在较高的误诊率和漏诊率。
近年来，人工智能与深度学习的发展带给医疗健康领域迅速和革命性的改变，用于疾病诊断和病理分析的人工智能层出不穷，但针对前列腺癌的病理诊断仍存在一些局限性：
由于保护隐私或者其他的需要，除自有数据外，其他方式获取的数据需要脱敏，导致数据准确性降低，同时自有数据量少难以获得足够的训练测试数据。
发明内容
本申请的目的在于克服现有技术中其他方式数据获取需要脱敏，导致数据准确性降低，同时自有数据量少难以获得足够的训练测试数据的缺陷，提供一种前列腺诊断神经网络模型的训练方法。本申请还涉及一种前列腺诊断神经网络模型的训练装置。
本申请提供的一种前列腺诊断神经网络模型的训练方法，包括：
S1基于图卷积神经网络构建前列腺诊断神经网络模型，包括：
将检测数据中不同数据类别设置为节点特征，基于所述节点特征的非线性关系生成全局网络；
对所述全局网络的节点特征与所述图卷积神经网络的节点进行约束，形成前列腺诊断神经网络模型；
S2获取样本数据进行所述前列腺诊断神经网络模型的训练，包括：
基于已有的样本数据进行数据增强，获得训练样本和验证样本；
基于所述训练样本和验证样本训练并获得所述前列腺诊断神经网络模型。
可选地，所述约束包括：
语义约束，同种节点的相似性约束；
权值约束，异种节点的关联性约束。
可选地，所述数据增强，包括：
基于多个类别数据范围的限制进行变换，扩大样本数据；
基于原有的所述样本数据和扩大的所述样本数据混合集，建立训练样本和验证样本。
可选地，所述变换包括：位移、视角、照明和/或大小。
可选地，所述变换还包括：基于关联数据限制范围的局部倍数变换。
本申请还提供一种前列腺诊断神经网络模型的训练装置，包括：
构建模块，用于基于图卷积神经网络构建前列腺诊断神经网络模型，包括：
特征单元，将检测数据中不同数据类别设置为节点特征，基于所述节点特征的非线性关系生成全局网络；
融合单元，对所述全局网络的节点特征与所述图卷积神经网络的节点进行约束，形成前列腺诊断神经网络模型；
训练模块，用于获取样本数据进行所述前列腺诊断神经网络模型的训练，包括：
增强单元，基于已有的样本数据进行数据增强，获得训练样本和验证样本；
训练单元，基于所述训练样本和验证样本训练并获得所述前列腺诊断神经网络模型。
可选地，所述约束包括：
语义约束，同种节点的相似性约束；
权值约束，异种节点的关联性约束。
可选地，增强单元进行所述数据增强，包括：
基于多个类别数据范围的限制进行变换，扩大样本数据；
基于原有的所述样本数据和扩大的所述样本数据混合集，建立训练样本和验证样本。
可选地，所述变换包括：位移、视角、照明和/或大小。
可选地，所述变换还包括：基于关联数据限制范围的局部倍数变换。
本申请具有如下核心发明构思及有益效果：
1、基于所述节点特征的非线性关系生成全局网络，先进行全局网格生成在进行神经网络节点的关联。
2、基于已有的样本数据进行数据增强，获得训练样本和验证样本。
本申请提供的一种前列腺诊断神经网络模型的训练方法，包括：S1基于图卷积神经网络构建前列腺诊断神经网络模型，包括：将检测数据中不同数据类别设置为节点特征，基于所述节点特征的非线性关系生成全局网络；对所述全局网络的节点特征与所述图卷积神经网络的节点进行约束，形成前列腺诊断神经网络模型；S2获取样本数据进行所述前列腺诊断神经网络模型的训练，包括：基于已有的样本数据进行数据增强，获得训练样本和验证样本；基于所述训练样本和验证样本训练并获得所述前列腺诊断神经网络模型。本申请通过获得增强数据，使得训练测试样本得到大量补充，使得训练的检测模型准确度更高。
附图说明
图1是本申请中前列腺诊断神经网络模型的训练流程示意图。
图2是图卷积神经网络示意图。
图3是本申请中列腺诊断神经网络模型流程示意图。
图4是本申请中模型训练流程示意图。
图5是本申请中前列腺诊断神经网络模型的训练装置示意图。
具体实施方式
下面结合附图和具体实施例对本申请作进一步说明，以使本领域的技术人员可以更好地理解本申请并能予以实施。
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。
本申请提供的一种前列腺诊断神经网络模型的训练方法，包括：S1基于图卷积神经网络构建前列腺诊断神经网络模型，包括：将检测数据中不同数据类别设置为节点特征，基于所述节点特征的非线性关系生成全局网络；对所述全局网络的节点特征与所述图卷积神经网络的节点进行约束，形成前列腺诊断神经网络模型；S2获取样本数据进行所述前列腺诊断神经网络模型的训练，包括：基于已有的样本数据进行数据增强，获得训练样本和验证样本；基于所述训练样本和验证样本训练并获得所述前列腺诊断神经网络模型。本申请通过获得增强数据，是的训练测试样本得到大量补充，使得训练的检测模型准确度更高。
图1是本申请中前列腺诊断神经网络模型的训练流程示意图。
请参照图1所示，S1基于图卷积神经网络构建前列腺诊断神经网络模型。
图卷积神经网络可以直接作用于图，并且利用所述图结构信息的卷积神经网络，所述结构信息是指：多个节点的数据(或者称为节点特征)之间，每两个节点数据之间的连接关系。
如图2所示，图卷积神经网络中，每个点表述与数据对应的节点，节点之间的边表示节点之间的连接关系。例如所述节点可以是前列腺诊断的数据，所述边可以是各个数据之间的线性或者非线性的关系。
具体的，首先需要对所述数据进行预处理，例如通过NLP方式将数据转换为向量，填充到各个节点101中。其次，得到各个节点的节点特征的值，然后对节点102来说，将各个数据特征的值进行平均，得到另一个向量，用于下一卷积层的输入。需要说明的是，本申请提到的所述平均算法，还可以采用复杂的聚合函数进行。
基于上述的图卷积神经网络模型构建前列腺诊断神经网络模型：
请参照图3所示，S201将检测数据中不同数据类别设置为节点特征，基于所述节点特征的非线性关系生成全局网络。
所述检测数据是对患者进行检测以获取多源多模态异构的检测数据，将这些数据基于数据类型进行节点设置，并确定各个节点之间的连接关系(即上述各个节点之间的边)。
如此，就形成了所述前列腺检测数据的全局网络，该全局网络包含了全部所述检测诊断的各个类型数据，当然在实际的应用中还可以进行进一步的改变，即将可以确定的无关类型数据删除，形成更为准确的针对于前列腺检测诊断的全局网络。
请参照图3所示，S202对所述全局网络的节点特征与所述图卷积神经网络的节点进行约束，形成前列腺诊断神经网络模型。
将所述全局网络融入到所述图卷积神经网络模型中，具体是将上述的全局网络的节点融入到所述图卷积神经网络的节点中，然后对各个节点进行约束，形成所述图卷积神经网络模型。所述约束即上述的平均，或者采用聚合函数，以及其他方式进行关联关系的约束。
在本申请中，所述约束可以包含两种类型，例如语义约束，用于同种节点的相似性约束；权值约束，异种节点的关联性约束。所述语义约束，可以通过对数据的标注实现，所述权值约束，可以通过设置函数实现。
通过上述设置，可以预先构建出前列腺诊断神经网络模型，基于所述模型进行训练，即可获得用于前列腺诊断的预测模型。在此过程中，各个数据类型，即节点的确定需要根据实际需要进行选择，例如由医学专家进行选择。上述模型的构建还可以应用到其他类型疾病诊断预测模型的构建，当然也在本申请实施例所包含的范围内。
请参照图1所示，S2获取样本数据进行所述前列腺诊断神经网络模型的训练。
获取样本数据是通过常规检测获取的大量前列腺相关诊断的数据，这些数据可以是一个提供源，也可以是多个提供源，但是若通过多个提供源获得的所述样本数据，则需要进行归一化处理，实现样本数据的一致性。
在实际的操作中，所述样本数据获取难度较大，或者所述样本数据由于隐私保护等原因，需要进行脱敏处理，导致样本数据不完整。因此需要对所述不完整数据进行修复，以及扩大所述样本数据的数据量，即数据增强。然后基于增强后的数据进行模型训练，获得更高准确度的预测模型。
请参照图4所示，S301基于已有的样本数据进行数据增强，获得训练样本和验证样本。
所述数据增强包括：基于多个类别数据范围的限制进行变换，扩大样本数据。基于原有的所述样本数据和扩大的所述样本数据混合集，建立训练样本和验证样本。
本申请所述的变换包括：位移、视角、照明和/或大小。
所述位移是指将数据进行预设范围内的一定，例如在一个坐标系中，将一个图像整体进行移动，获得的由新的坐标系表述该图像。
所述视角可以解释为旋转，例如在一个坐标系中，将一个图像整体进行转动，获得的由新的坐标系表述该图像。
所述照明可以解释为图像颜色程度的大小。
所述大小可以解释为，例如在一个坐标系中，将一个图像整体进行倍增或者倍减，获得的由新的坐标系表述该数据。
基于上述设置各自的函数，位移w＝f(x)、视角s＝f(x)、照明z＝f(x)和/或大小d＝f(x)；
根据上述设置的公式，进行相互组合，形成增强函数G(x)，该G(x)的个数如下：
上述公式组合的公式集合，进行数据增强，即样本数增加：
Y＝Km
其中所述y是增强后的数据量，所述m是原样本数据量。
本申请还提供的数据增强，还包括：预先定义每个所述样本数据的范围，即，当生成新的样本数据后，剔除超过所述预设的样本数据范围的数据。
即：
s∈(a，b)，且G(x)∈(a，b)
其中，所述s是样本数据，所述(a，b)是样本数据的取值范围。
根据上述计算和增强，最后获得更多的样本数据。
请参照图4所示，S302基于所述训练样本和验证样本训练并获得所述前列腺诊断神经网络模型。
具体的，启动并初始化所述前列腺诊断神经网络模型，然后输入所述样本数据。
进一步的，该数据通过各个节点进入到所述前列腺诊断神经网络模型的卷积层，基于模型各个节点的结构关系生成处理结果进入下部分卷积层。
基于多个所述卷积层的处理，最后输出结果，依据所述结果对所述前列腺诊断神经网络模型进行参数调整，并进一步进行训练，知道获得符合预期的结果。
本申请通过获得增强数据，是的训练测试样本得到大量补充，使得训练的前列腺诊断神经网络模型得到结果的准确度更高。
请参照图5所示，本申请还提供一种前列腺诊断神经网络模型的训练装置，包括：构建模块，训练模块。
构建模块401，用于基于图卷积神经网络构建前列腺诊断神经网络模型。
图卷积神经网络可以直接作用于图，并且利用所述图结构信息的卷积神经网络，所述结构信息是指：多个节点的数据(或者称为节点特征)之间，每两个节点数据之间的连接关系。
如图2所示，图卷积神经网络中，每个点表述与数据对应的节点，节点之间的边表示节点之间的连接关系。例如所述节点可以是前列腺诊断的数据，所述边可以是各个数据之间的线性或者非线性的关系。
具体的，首先需要对所述数据进行预处理，例如通过NLP方式将数据转换为向量，填充到各个节点101中。其次，得到各个节点的节点特征的值，然后对节点102来说，将各个数据特征的值进行平均，得到另一个向量，用于下一卷积层的输入。需要说明的是，本申请提到的所述平均算法，还可以采用复杂的聚合函数进行。
基于上述的图卷积神经网络模型构建前列腺诊断神经网络模型：
特征单元4011，将检测数据中不同数据类别设置为节点特征，基于所述节点特征的非线性关系生成全局网络。
所述检测数据是对患者进行检测以获取多源多模态异构的检测数据，将这些数据基于数据类型进行节点设置，并确定各个节点之间的连接关系(即上述各个节点之间的边)。
如此，就形成了所述前列腺检测数据的全局网络，该全局网络包含了全部所述检测诊断的各个类型数据，当然在实际的应用中还可以进行进一步的改变，即将可以确定的无关类型数据删除，形成更为准确的针对于前列腺检测诊断的全局网络。
融合单元4012，对所述全局网络的节点特征与所述图卷积神经网络的节点进行约束，形成前列腺诊断神经网络模型。
将所述全局网络融入到所述图卷积神经网络模型中，具体是将上述的全局网络的节点融入到所述图卷积神经网络的节点中，然后对各个节点进行约束，形成所述图卷积神经网络模型。所述约束即上述的平均，或者采用聚合函数，以及其他方式进行关联关系的约束。
在本申请中，所述约束可以包含两种类型，例如语义约束，用于同种节点的相似性约束；权值约束，异种节点的关联性约束。所述语义约束，可以通过对数据的标注实现，所述权值约束，可以通过设置函数实现。
通过上述设置，可以预先构建出前列腺诊断神经网络模型，基于所述模型进行训练，即可获得用于前列腺诊断的预测模型。在此过程中，各个数据类型，即节点的确定需要根据实际需要进行选择，例如由医学专家进行选择。上述模型的构建还可以应用到其他类型疾病诊断预测模型的构建，当然也在本申请实施例所包含的范围内。
请参照图1所示，训练模块402，用于获取样本数据进行所述前列腺诊断神经网络模型的训练。
获取样本数据是通过常规检测获取的大量前列腺相关诊断的数据，这些数据可以是一个提供源，也可以是多个提供源，但是若通过多个提供源获得的所述样本数据，则需要进行归一化处理，实现样本数据的一致性。
在实际的操作中，所述样本数据获取难度较大，或者所述样本数据由于隐私保护等原因，需要进行脱敏处理，导致样本数据不完整。因此需要对所述不完整数据进行修复，以及扩大所述样本数据的数据量，即数据增强。然后基于增强后的数据进行模型训练，获得更高准确度的预测模型。
增强单元4021，基于已有的样本数据进行数据增强，获得训练样本和验证样本。
所述数据增强包括：基于多个类别数据范围的限制进行变换，扩大样本数据。基于原有的所述样本数据和扩大的所述样本数据混合集，建立训练样本和验证样本。
本申请所述的变换包括：位移、视角、照明和/或大小。
所述位移是指将数据进行预设范围内的一定，例如在一个坐标系中，将一个图像整体进行移动，获得的由新的坐标系表述该图像。
所述视角可以解释为旋转，例如在一个坐标系中，将一个图像整体进行转动，获得的由新的坐标系表述该图像。
所述照明可以解释为图像颜色程度的大小。
所述大小可以解释为，例如在一个坐标系中，将一个图像整体进行倍增或者倍减，获得的由新的坐标系表述该数据。
基于上述设置各自的函数，位移w＝f(x)、视角s＝f(x)、照明z＝f(x)和/或大小d＝f(x)：
根据上述设置的公式，进行相互组合，形成增强函数G(x)，该G(x)的个数如下：
上述公式组合的公式集合，进行数据增强，即样本数增加：
Y＝Km
其中所述y是增强后的数据量，所述m是原样本数据量。
本申请还提供的数据增强，还包括：预先定义每个所述样本数据的范围，即，当生成新的样本数据后，剔除超过所述预设的样本数据范围的数据。
即：
s∈(a，b)，且G(x)∈(a，b)
其中，所述s是样本数据，所述(a，b)是样本数据的取值范围。
根据上述计算和增强，最后获得更多的样本数据。
训练单元4022，基于所述训练样本和验证样本训练并获得所述前列腺诊断神经网络模型。
具体的，启动并初始化所述前列腺诊断神经网络模型，然后输入所述样本数据。
进一步的，该数据通过各个节点进入到所述前列腺诊断神经网络模型的卷积层，基于模型各个节点的结构关系生成处理结果进入下部分卷积层。
基于多个所述卷积层的处理，最后输出结果，依据所述结果对所述前列腺诊断神经网络模型进行参数调整，并进一步进行训练，知道获得符合预期的结果。
本申请通过获得增强数据，是的训练测试样本得到大量补充，使得训练的前列腺诊断神经网络模型得到结果的准确度更高。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种前列腺诊断神经网络模型的训练方法，其特征在于，包括：
S1基于图卷积神经网络构建前列腺诊断神经网络模型，包括：
将检测数据中不同数据类别设置为节点特征，基于所述节点特征的非线性关系生成全局网络；
对所述全局网络的节点特征与所述图卷积神经网络的节点进行约束，形成前列腺诊断神经网络模型；
S2获取样本数据进行所述前列腺诊断神经网络模型的训练，包括：
基于已有的样本数据进行数据增强，获得训练样本和验证样本；
基于所述训练样本和验证样本训练并获得所述前列腺诊断神经网络模型。
2.根据权利要求1所述前列腺诊断神经网络模型的训练方法，其特征在于，所述包括：
语义约束，同种节点的相似性约束；
权值约束，异种节点的关联性约束。
3.根据权利要求1所述前列腺诊断神经网络模型的训练方法，其特征在于，所述数据增强，包括：
基于多个类别数据范围的限制进行变换，扩大样本数据；
基于原有的所述样本数据和扩大的所述样本数据混合集，建立训练样本和验证样本。
4.根据权利要求3所述前列腺诊断神经网络模型的训练方法，其特征在于，所述变换包括：位移、视角、照明和/或大小。
5.根据权利要求3所述前列腺诊断神经网络模型的训练方法，其特征在于，所述变换还包括：基于关联数据限制范围的局部倍数变换。
6.一种前列腺诊断神经网络模型的训练装置，其特征在于，包括：
构建模块，用于基于图卷积神经网络构建前列腺诊断神经网络模型，包括：
特征单元，将检测数据中不同数据类别设置为节点特征，基于所述节点特征的非线性关系生成全局网络；
融合单元，对所述全局网络的节点特征与所述图卷积神经网络的节点进行约束，形成前列腺诊断神经网络模型；
训练模块，用于获取样本数据进行所述前列腺诊断神经网络模型的训练，包括：
增强单元，基于已有的样本数据进行数据增强，获得训练样本和验证样本；
训练单元，基于所述训练样本和验证样本训练并获得所述前列腺诊断神经网络模型。
7.根据权利要求6所述前列腺诊断神经网络模型的训练装置，其特征在于，所述包括：
语义约束，同种节点的相似性约束；
权值约束，异种节点的关联性约束。
8.根据权利要求6所述前列腺诊断神经网络模型的训练装置，其特征在于，增强单元进行所述数据增强，包括：
基于多个类别数据范围的限制进行变换，扩大样本数据；
基于原有的所述样本数据和扩大的所述样本数据混合集，建立训练样本和验证样本。
9.根据权利要求8所述前列腺诊断神经网络模型的训练装置，其特征在于，所述变换包括：位移、视角、照明和/或大小。
10.根据权利要求8所述前列腺诊断神经网络模型的训练装置，其特征在于，所述变换还包括：基于关联数据限制范围的局部倍数变换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310568102.2A CN116646072A (zh) | 2023-05-18 | 2023-05-18 | 一种前列腺诊断神经网络模型的训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310568102.2A CN116646072A (zh) | 2023-05-18 | 2023-05-18 | 一种前列腺诊断神经网络模型的训练方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116646072A true CN116646072A (zh) | 2023-08-25 |
Family
ID=87614680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310568102.2A Pending CN116646072A (zh) | 2023-05-18 | 2023-05-18 | 一种前列腺诊断神经网络模型的训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116646072A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200012761A1 (en) * | 2017-07-07 | 2020-01-09 | University Of Louisville Research Foundation, Inc. | Computer-aided diagnostic system for early diagnosis of prostate cancer |
| CN111312392A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于集成法的前列腺癌辅助分析方法、装置及电子设备 |
| CN112289455A (zh) * | 2020-10-21 | 2021-01-29 | 王智 | 一种人工智能神经网络学习模型构建系统、构建方法 |
| WO2021151325A1 (zh) * | 2020-09-09 | 2021-08-05 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
| CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断系统 |
| US20210375479A1 (en) * | 2020-05-29 | 2021-12-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for processing electronic medical record data, device and medium |
| CN113990495A (zh) * | 2021-12-27 | 2022-01-28 | 之江实验室 | 一种基于图神经网络的疾病诊断预测系统 |
| CN114242186A (zh) * | 2021-12-30 | 2022-03-25 | 湖南大学 | 融合ghp与gcn的中西药物重定位方法及系统与存储介质 |
| CN114242232A (zh) * | 2021-11-09 | 2022-03-25 | 北京深睿博联科技有限责任公司 | 一种基于医学影像的疾病诊断装置及方法 |
| CN114626890A (zh) * | 2022-03-21 | 2022-06-14 | 烟台大学 | 一种基于图结构学习的异常用户检测方法 |
| CN115309575A (zh) * | 2022-06-27 | 2022-11-08 | 南开大学 | 基于图卷积神经网络的微服务故障诊断方法、装置及设备 |
| CN115775623A (zh) * | 2021-09-06 | 2023-03-10 | 天翼电子商务有限公司 | 一种基于注意力机制的前列腺癌分级诊断系统 |
-
2023
- 2023-05-18 CN CN202310568102.2A patent/CN116646072A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200012761A1 (en) * | 2017-07-07 | 2020-01-09 | University Of Louisville Research Foundation, Inc. | Computer-aided diagnostic system for early diagnosis of prostate cancer |
| CN111312392A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于集成法的前列腺癌辅助分析方法、装置及电子设备 |
| US20210375479A1 (en) * | 2020-05-29 | 2021-12-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for processing electronic medical record data, device and medium |
| WO2021151325A1 (zh) * | 2020-09-09 | 2021-08-05 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
| CN112289455A (zh) * | 2020-10-21 | 2021-01-29 | 王智 | 一种人工智能神经网络学习模型构建系统、构建方法 |
| CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断系统 |
| CN115775623A (zh) * | 2021-09-06 | 2023-03-10 | 天翼电子商务有限公司 | 一种基于注意力机制的前列腺癌分级诊断系统 |
| CN114242232A (zh) * | 2021-11-09 | 2022-03-25 | 北京深睿博联科技有限责任公司 | 一种基于医学影像的疾病诊断装置及方法 |
| CN113990495A (zh) * | 2021-12-27 | 2022-01-28 | 之江实验室 | 一种基于图神经网络的疾病诊断预测系统 |
| CN114242186A (zh) * | 2021-12-30 | 2022-03-25 | 湖南大学 | 融合ghp与gcn的中西药物重定位方法及系统与存储介质 |
| CN114626890A (zh) * | 2022-03-21 | 2022-06-14 | 烟台大学 | 一种基于图结构学习的异常用户检测方法 |
| CN115309575A (zh) * | 2022-06-27 | 2022-11-08 | 南开大学 | 基于图卷积神经网络的微服务故障诊断方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 刘树春 等: "《深度实践OCR 基于深度学习的文字识别》", pages: 123 * |
| 柏冬;王浩;李璐;王宏林;: "机器学习方法对前列腺癌的诊断价值", 分子影像学杂志, no. 02, pages 2020 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN110326024B (zh) | 用于处理由医学成像装置捕获的组织学图像的方法和装置 | |
| CN112241766A (zh) | 基于样本生成和迁移学习的肝脏ct图像多病变分类方法 | |
| CN110390351A (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
| CN108305249A (zh) | 基于深度学习的全尺度病理切片的快速诊断和评分方法 | |
| CN114565761B (zh) | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 | |
| CN106372390A (zh) | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 | |
| CN107464250A (zh) | 基于三维mri图像的乳腺肿瘤自动分割方法 | |
| CN109903284A (zh) | 一种her2免疫组化图像自动判别方法及系统 | |
| CN110946552B (zh) | 一种结合光谱和图像的宫颈癌前病变筛查方法 | |
| CN110363768A (zh) | 一种基于深度学习的早期癌病灶范围预测辅助系统 | |
| CN112927212A (zh) | 基于深度学习的oct心血管斑块自动识别与分析方法 | |
| CN105389821A (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
| Qi et al. | Automatic lacunae localization in placental ultrasound images via layer aggregation | |
| CN114494215A (zh) | 基于Transformer的甲状腺结节检测方法 | |
| Wang et al. | Multi-label classification of pelvic organ prolapse using stress magnetic resonance imaging with deep learning | |
| CN114998644A (zh) | 肿瘤诊断系统及其构建方法、终端设备及存储介质 | |
| CN118314394A (zh) | 一种基于多视图的直肠癌手术难度评估方法 | |
| Zhou et al. | The segmentation effect of style transfer on fetal head ultrasound image: a study of multi-source data | |
| CN113011514B (zh) | 基于双线性池化应用于ct影像的颅内出血亚类型分类算法 | |
| CN114494216A (zh) | 基于多级加权神经网络的甲状腺结节定位方法 | |
| Yang et al. | Algorithm to quantify nuclear features and confidence intervals for classification of oral neoplasia from high-resolution optical images | |
| CN116646072A (zh) | 一种前列腺诊断神经网络模型的训练方法及装置 | |
| CN117173411A (zh) | 基于自注意力反馈机制的三维ct图像病灶分割方法 | |
| CN116759076A (zh) | 一种基于医疗影像的无监督疾病诊断方法及系统 |
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 |