CN117481630A - 一种基于生物电阻抗分析法的乳腺癌检测方法 - Google Patents
一种基于生物电阻抗分析法的乳腺癌检测方法 Download PDFInfo
- Publication number
- CN117481630A CN117481630A CN202311812188.5A CN202311812188A CN117481630A CN 117481630 A CN117481630 A CN 117481630A CN 202311812188 A CN202311812188 A CN 202311812188A CN 117481630 A CN117481630 A CN 117481630A
- Authority
- CN
- China
- Prior art keywords
- matrix
- channel
- representing
- signal data
- layer
- 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
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 41
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011871 bio-impedance analysis Methods 0.000 title claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 24
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 24
- 210000000481 breast Anatomy 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 7
- 230000003211 malignant effect Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 94
- 238000004364 calculation method Methods 0.000 claims description 36
- 230000004044 response Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 16
- 230000003213 activating effect Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 239000000284 extract Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005907 cancer growth Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4312—Breast evaluation or disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Reproductive Health (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- Gynecology & Obstetrics (AREA)
- Radiology & Medical Imaging (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于生物电阻抗分析法的乳腺癌检测方法,所述方法包括以下步骤:S1:利用多频生物电阻抗分析仪获取乳腺组织的正常和恶性样本的电信号数据;所述电信号数据包括频率、电阻、电抗、电容、相位角和电导率数据;S2:设计分割机制提取有效频率范围内的单通道电信号数据;S3:设计通道合成网络模块将单通道电信号数据转换为三通道电信号数据;S4:将单通道和三通道电信号数据送入多维特征提取网络模块进行检测。本发明利用生物电阻抗分析法获取乳腺组织的电信号数据,通过多维特征提取网络模块对数据进行检测,同时通过设计分割机制和通道合成网络模块,能够提高数据的有效性和丰富性,进一步提升乳腺癌检测的准确性和可靠性。
Description
技术领域
本发明涉及乳腺癌检测技术领域,尤其涉及一种基于生物电阻抗分析法的乳腺癌检测方法。
背景技术
乳腺癌是妇女癌症发病率和死亡率最高的癌症之一,早期的乳腺癌检测对于提高患者的生存率和治疗效果非常重要。传统的乳腺癌检测方法存在创伤,辐射暴露,费用高昂的缺点,而基于生物电阻抗技术的检测方法为乳腺癌检测提供了新的解决方案。
深度学习技术的快速发展也为乳腺癌检测带来了新的突破,在乳腺癌检测中,深度学习可以用于分析生物电信号数据,并提供高度准确的乳腺癌诊断结果,生物电阻抗技术和深度学习技术的结合为乳腺癌检测提供了无创,实时性和低成本的特点。
在现有技术中,公开号为CN115018820A的中国专利公开了“基于纹理加强的乳腺癌多分类方法”,该方法通过纹理加强技术提取乳腺癌组织病理图像中不同亚型的辨别性特征,从而改善乳腺癌组织的异质性问题。但是该方法主要依赖于纹理特征的提取和加强,无法充分利用其他类型的特征。
因此,亟待设计一种基于生物电阻抗分析法的乳腺癌检测方法,解决上述现有技术存在的问题。
发明内容
本发明的目的在于提供一种基于生物电阻抗分析法的乳腺癌检测方法,本发明利用生物电阻抗分析法获取乳腺组织的电信号数据,通过多维特征提取网络模块对数据进行分类,同时通过设计分割机制和通道合成网络模块,能够提高数据的有效性和丰富性,进一步提升乳腺癌检测的准确性和可靠性。
为了实现上述目的,本发明采用了如下技术方案:
本发明第一方面提供了一种基于生物电阻抗分析法的乳腺癌检测方法,所述方法包括以下步骤:
S1:利用多频生物电阻抗分析仪获取乳腺组织的正常和恶性样本的电信号数据;所述电信号数据包括频率、电阻、电抗、电容、相位角和电导率数据;
S2:设计分割机制提取有效频率范围内的单通道电信号数据;
S3:设计通道合成网络模块将单通道电信号数据转换为三通道电信号数据;
S4:将单通道电信号数据和三通道电信号数据送入多维特征提取网络模块进行检测。
作为本申请一实施例,所述步骤S2具体包括:
S21:计算每个子频段的响应矩阵;
S22:计算每个子频段响应分数score和筛选电信号数据。
作为本申请一实施例,所述步骤S21具体包括:
S211:将多频生物电阻抗分析仪的频率范围分割为n个子频段;
S212:对于每个子频段的电信号数据矩阵的每个元素/>进行处理;
S213:对所述电信号数据矩阵的每个元素/>,计算响应矩阵/>的对应元素/>,其计算公式如下:
其中,表示电信号数据矩阵/>和响应矩阵/>的行数,/>表示电信号数据矩阵/>和响应矩阵/>的列数;/>表示电信号数据矩阵/>第/>列的均值;/>表示电信号数据矩阵/>第/>列的标准差;/>表示电信号数据矩阵/>的第/>行,第/>列的数值;/>表示响应矩阵/>的第/>行,第/>列的数值。
作为本申请一实施例,所述步骤S22具体包括:
S221:将矩阵转化为长度为/>的一维矩阵F;其计算公式如下:
其中,表示扁平化操作,用于将多维矩阵转换为一维矩阵;
S222:得出每个子频段的响应分数,其计算公式如下:
其中,表示一维矩阵/>的第/>个元素;/>表示一维矩阵/>的最小值;/>表示一维矩阵/>的最大值;
S223:设定响应阈值,将所有响应分数/>大于阈值的子频段电信号数据组成单通道电信号数据/>。
作为本申请一实施例,所述步骤S3具体包括:
S31:利用通道合成网络模块计算第一,二,三通道合成注意力机制,其计算公式如下:
其中,表示/>激活函数;/>表示全连接层;/>表示全局平均池化操作;表示一维卷积;/>表示第一,二,三通道合成注意力机制卷积核的大小;
S32:将单通道电信号数据转换为第一,二,三通道数据/>;
第一,二,三通道数据的计算公式如下:
将第一,二,三通道数据拼接成三通道电信号数据/>,其计算公式如下:
其中,表示通道拼接操作。
作为本申请一实施例,所述步骤S4具体包括:
S41:将单通道电信号数据送入单通道特征提取层得到矩阵/>,将三通道电信号数据/>送入三通道特征提取层得到矩阵/>;
S42:所述矩阵经过单通道注意力层得到矩阵/>,所述矩阵/>经过三通道注意力层得到矩阵/>,将矩阵/>和矩阵/>进行特征融合得到矩阵/>;
S43:所述矩阵经过第一编码层得到矩阵/>,矩阵/>再经过第二编码层得到矩阵/>;
S44:所述矩阵经过残差层进行进一步的特征提取和处理;
S45:最后,通过全连接层和Softmax层得到最终的检测结果。
作为本申请一实施例,所述单通道特征提取层包括1×1、3×3、5×5一维卷积,归一化层,Relu激活函数和最大池化层;
所述三通道特征提取层包括3×3、5×5、7×7二维卷积,归一化层,Relu激活函数,最大池化层。
作为本申请一实施例,步骤S42具体包括:
S421:所述矩阵经过单通道注意力层得到矩阵/>,所述单通道注意力层包括1×1一维卷积、单通道注意力机制、Relu激活函数;所述单通道注意力机制的计算公式如下:
其中,表示单通道注意力机制的权重;/>表示/>激活函数;/>表示单通道注意力机制的输入;/>表示一维卷积;/>表示自适应平均池化;表示最大池化;/>表示计算平均值;
单通道注意力机制的输出矩阵的计算公式如下:
其中,表示单通道注意力机制的输出,/>表示偏置项;
S422:将矩阵送入三通道注意力层得到矩阵/>;所述三通道注意力层包括1×1二维卷积,三通道注意力机制,Relu激活函数;
三通道注意力机制的公式如下:
其中,表示三通道注意力机制的权重;/>表示/>激活函数;/>表示三通道注意力机制的输入;/>表示二维卷积;/>表示自适应平均池化;表示最大池化;
三通道注意力机制的输出矩阵的计算公式如下:
S423:将矩阵和矩阵/>进行特征融合得到矩阵/>。
作为本申请一实施例,所述步骤S43具体包括:
S431:所述矩阵经过第一编码层得到矩阵/>,所述第一编码层的计算公式如下:
其中,表示第一层编码层的输出;/>表示/>的通道数;/>表示的高;/>表示/>的宽;
S432:所述矩阵经过第二编码层得到矩阵/>,所述第二编码层的计算公式如下:
其中,表示第二层编码层的输出;/>表示/>的通道数;/>表示的高;/>表示/>的宽。
作为本申请一实施例,所述残差层包括3×3二维卷积、残差块、归一化层、全局平均池化层和Relu激活函数;
所述残差块包括3×3分组卷积、1×1深度可分离卷积、归一化层和Relu激活函数。
本发明的有益效果为:
(1)本发明利用生物电阻抗分析法获取乳腺组织的电信号数据,通过多维特征提取网络模块对数据进行分类,同时通过设计分割机制和通道合成网络模块,能够提高数据的有效性和丰富性,进一步提升乳腺癌检测的准确性和可靠性。
(2)本发明利用多频生物电阻抗分析仪获取乳腺组织的电信号数据,相比传统的乳腺检查方法,例如乳腺穿刺或乳腺X光检查,不需要进行切割或穿刺等侵入性操作,具有非侵入性的优势。
(3)本发明通过设计分割机制和通道合成网络模块,能够提取有效频率范围内的电信号数据,并将单通道数据转换为三通道数据;这样可以去除无关的噪声和冗余信息,提取关键的乳腺组织特征,为后续的分类提供更准确的特征表示。
(4)本发明通过将单通道和三通道电信号数据送入多维特征提取网络模块进行检测,所述多维特征提取网络模块可以同时从不同通道和频率范围提取特征,综合考虑乳腺组织的多个方面,并且具有适应不同乳腺样本的能力。通过多特征提取,可以更准确地区分正常和恶性乳腺组织样本,提高乳腺癌的检测和准确性。
附图说明
图1为本发明实施例中提供的一种基于生物电阻抗分析法的乳腺癌检测方法的流程示意图;
图2为本发明实施例中提供的一种基于生物电阻抗分析法的乳腺癌检测方法的分割机制流程示意图;
图3为本发明实施例中提供的一种基于生物电阻抗分析法的乳腺癌检测方法的通道合成网络模块示意图;
图4为本发明实施例中提供的一种基于生物电阻抗分析法的乳腺癌检测方法的多维特征提取网络模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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至少一个该特征。另外,全文中出现的“和/或”的含义,包括三个并列的方案,以“A和/或B”为例,包括A方案、或B方案、或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照图1至图4,本发明第一方面提供了一种基于生物电阻抗分析法的乳腺癌检测方法,所述方法包括以下步骤:
S1:利用多频生物电阻抗分析仪获取乳腺组织的正常和恶性样本的电信号数据;所述电信号数据包括频率、电阻、电抗、电容、相位角和电导率数据;
本发明利用多频生物电阻抗分析仪获取乳腺组织的电信号数据,通过测量和分析乳腺组织的电信号数据,可以获取关于组织电导率、电阻、电容等参数的信息。这些参数在正常组织和癌变组织之间存在差异,因为癌细胞的异常生长和组织结构改变会导致电性特性的变化。
S2:设计分割机制提取有效频率范围内的单通道电信号数据;
S3:设计通道合成网络模块将单通道电信号数据转换为三通道电信号数据;
具体的,通过设计分割机制和通道合成网络模块,本发明能够提取有效频率范围内的电信号数据,并将单通道数据转换为三通道数据。这样可以去除无关的噪声和冗余信息,提取关键的乳腺组织特征,为后续的分类提供更准确的特征表示。
S4:将单通道电信号数据和三通道电信号数据送入多维特征提取网络模块进行检测。
所述多维特征提取网络模块可以同时从不同通道和频率范围提取特征,综合考虑乳腺组织的多个方面,并且具有适应不同乳腺样本的能力。通过多特征提取,可以更准确地区分正常和恶性乳腺组织样本,提高乳腺癌的检测和准确性。
本发明利用生物电阻抗分析法获取乳腺组织的电信号数据,通过多维特征提取网络模块对数据进行分类,同时通过设计分割机制和通道合成网络模块,能够提高数据的有效性和丰富性,进一步提升乳腺癌检测的准确性和可靠性。本发明具有高精度的数据获取、有效的信号处理、三通道信息融合和多维特征提取的优势,有望在乳腺癌的早期检测和诊断中发挥重要作用。
如图2所示,作为本申请一实施例,所述步骤S2具体包括:
S21:计算每个子频段的响应矩阵;
S22:计算每个子频段响应分数score和筛选电信号数据。
作为本申请一实施例,所述步骤S21具体包括:
S211:将多频生物电阻抗分析仪的频率范围分割为n个子频段;
S212:对于每个子频段的电信号数据矩阵的每个元素/>进行处理;
S213:对所述电信号数据矩阵的每个元素/>,计算响应矩阵/>的对应元素/>,其计算公式如下:
其中,表示电信号数据矩阵/>和响应矩阵/>的行数,/>表示电信号数据矩阵/>和响应矩阵/>的列数;/>表示电信号数据矩阵/>第/>列的均值;/>表示电信号数据矩阵/>第/>列的标准差;/>表示电信号数据矩阵/>的第/>行,第/>列的数值;/>表示响应矩阵/>的第/>行,第/>列的数值。
本发明提取出不同频段的特征信息,通过计算响应矩阵,可以了解每个子频段对于乳腺组织的响应情况,这有助于确定哪些频段对于乳腺组织分类和诊断具有更高的区分度和重要性。
作为本申请一实施例,所述步骤S22具体包括:
S221:将矩阵转化为长度为/>的一维矩阵F;其计算公式如下:
其中,表示扁平化操作,用于将多维矩阵转换为一维矩阵;
S222:得出每个子频段的响应分数,其计算公式如下:
其中,表示一维矩阵/>的第/>个元素;/>表示一维矩阵/>的最小值;/>表示一维矩阵/>的最大值;
S223:设定响应阈值,将所有响应分数/>大于阈值的子频段电信号数据组成单通道电信号数据/>,所有响应分数/>大于阈值的子频段电信号数据均在有效范围内。
具体的,可以选择具有更明显特征响应的子频段,并过滤掉不相关或噪声较多的数据;这可以提高特征的质量和准确性,减少对无关信息的干扰,从而提高分类和诊断的准确性。
如图3所示,作为本申请一实施例,所述步骤S3具体包括:
S31:利用通道合成网络模块计算第一,二,三通道合成注意力机制,其计算公式如下:
其中,表示/>激活函数;/>表示全连接层;/>表示全局平均池化操作;表示一维卷积;/>表示第一,二,三通道合成注意力机制卷积核的大小;
S32:将单通道电信号数据转换为第一,二,三通道数据/>;
第一,二,三通道数据的计算公式如下:
将第一,二,三通道数据拼接成三通道电信号数据/>,其计算公式如下:
其中,表示通道拼接操作。
具体的,所述通道合成网络模块通过计算注意力机制和通道拼接操作,能够提取三通道特征并自适应加权,增加乳腺组织数据的信息丰富性。
如图4所示,作为本申请一实施例,所述步骤S4具体包括:
S41:将单通道电信号数据送入单通道特征提取层得到矩阵/>,将三通道电信号数据/>送入三通道特征提取层得到矩阵/>;
S42:所述矩阵经过单通道注意力层得到矩阵/>,所述矩阵/>经过三通道注意力层得到矩阵/>,将矩阵/>和矩阵/>进行特征融合得到矩阵/>;
S43:矩阵经过第一编码层得到矩阵/>,矩阵/>再经过第二编码层得到矩阵/>;
S44:所述矩阵经过残差层进行进一步的特征提取和处理;
S45:最后,通过全连接层和Softmax层得到最终的检测结果。
其中,所述单通道特征提取层包括1×1、3×3、5×5一维卷积,归一化层,Relu激活函数和最大池化层;
所述三通道特征提取层包括3×3、5×5、7×7二维卷积,归一化层,Relu激活函数,最大池化层。
本发明通过单通道和三通道特征提取层实现了多尺度特征提取和增强模型的表达能力;单通道特征提取层利用不同尺寸的一维卷积核捕捉不同尺度的特征信息,而三通道特征提取层则进一步丰富了特征表示能力;同时,归一化层和Relu激活函数提供了数据规范化和非线性表达,最大池化层则提取了最显著的特征并降低了计算复杂度。
作为本申请一实施例,步骤S42具体包括:
S421:所述矩阵经过单通道注意力层得到矩阵/>,所述单通道注意力层包括1×1一维卷积、单通道注意力机制、Relu激活函数;所述单通道注意力机制的计算公式如下:
其中,表示单通道注意力机制的权重;/>表示/>激活函数;/>表示单通道注意力机制的输入;/>表示一维卷积;/>表示自适应平均池化;表示最大池化;/>表示计算平均值;
单通道注意力机制的输出矩阵的计算公式如下:
其中,表示单通道注意力机制的输出,/>表示偏置项;
S422:将所述矩阵送入三通道注意力层得到矩阵/>;所述三通道注意力层包括1×1二维卷积,三通道注意力机制,Relu激活函数;
三通道注意力机制的公式如下:
其中,表示三通道注意力机制的权重;/>表示/>激活函数;/>表示三通道注意力机制的输入;/>表示二维卷积;/>表示自适应平均池化;表示最大池化;
三通道注意力机制的输出矩阵的计算公式如下:
S423:将所述矩阵和矩阵/>进行特征融合得到矩阵/>。
具体的,所述单通道注意力层和三通道注意力层分别通过计算权重,使模型能够自动学习和关注输入数据中的重要信息,这种机制能够更好地捕捉乳腺组织数据中的有用信息,并更有效地进行分类。
作为本申请一实施例,所述步骤S43具体包括:
S431:矩阵经过第一编码层得到矩阵/>,所述第一编码层的计算公式如下:
其中,表示第一层编码层的输出;/>表示/>的通道数;/>表示的高;/>表示/>的宽;
S432:矩阵经过第二编码层得到矩阵/>,所述第二编码层的计算公式如下:
其中,表示第二层编码层的输出;/>表示/>的通道数;/>表示的高;/>表示/>的宽。
具体的,两层编码层的设计通过非线性变换和融合多维度信息,提升了模型对输入数据的非线性建模能力、关联信息的感知能力,以及特征表示能力。
作为本申请一实施例,所述残差层包括残差层和残差块,所述残差层包括3×3二维卷积、归一化层和Relu激活函数;
所述残差块包括3×3分组卷积、1×1深度可分离卷积、归一化层和Relu激活函数。
具体的,所述残差层通过卷积层、残差块、批归一化和Relu激活函数等操作,能高效地提取输入数据中的抽象特征,包括局部空间特征和更深层次的特征;其次,深度可分离卷积和批归一化的应用有效地减少了模型的参数量和提高了运行效率;此外,全局平均池化操作有助于整合输入特征图的空间信息;最后,通过Relu激活函数引入非线性变换和全连接层与softmax层的结合,这样的设计能够提供强大的特征提取能力、高效的参数共享、有效的空间信息整合。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述方法包括以下步骤:
S1:利用多频生物电阻抗分析仪获取乳腺组织的正常和恶性样本的电信号数据;所述电信号数据包括频率、电阻、电抗、电容、相位角和电导率数据;
S2:设计分割机制提取有效频率范围内的单通道电信号数据;
S3:设计通道合成网络模块将单通道电信号数据转换为三通道电信号数据;
S4:将单通道电信号数据和三通道电信号数据送入多维特征提取网络模块进行检测。
2.根据权利要求1所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S2具体包括:
S21:计算每个子频段的响应矩阵;
S22:计算每个子频段响应分数score和筛选电信号数据。
3.根据权利要求2所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S21具体包括:
S211:将多频生物电阻抗分析仪的频率范围分割为n个子频段;
S212:对于每个子频段的电信号数据矩阵的每个元素/>进行处理;
S213:对所述电信号数据矩阵的每个元素/>,计算响应矩阵/>的对应元素/>,其计算公式如下:
其中,表示电信号数据矩阵/>和响应矩阵/>的行数,/>表示电信号数据矩阵/>和响应矩阵/>的列数;/>表示电信号数据矩阵/>第/>列的均值;/>表示电信号数据矩阵/>第/>列的标准差;/>表示电信号数据矩阵/>的第/>行,第/>列的数值;/>表示响应矩阵/>的第/>行,第/>列的数值。
4.根据权利要求2所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S22具体包括:
S221:将矩阵转化为长度为/>的一维矩阵F;其计算公式如下:
其中,表示扁平化操作,用于将多维矩阵转换为一维矩阵;
S222:得出每个子频段的响应分数,其计算公式如下:
其中,表示一维矩阵/>的第/>个元素;/>表示一维矩阵/>的最小值;/>表示一维矩阵/>的最大值;
S223:设定响应阈值,将所有响应分数/>大于阈值的子频段电信号数据组成单通道电信号数据/>。
5.根据权利要求1所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S3具体包括:
S31:利用通道合成网络模块计算第一,二,三通道合成注意力机制,其计算公式如下:
其中,表示/>激活函数;/>表示全连接层;/>表示全局平均池化操作;/>表示一维卷积;/>表示第一,二,三通道合成注意力机制卷积核的大小;
S32:将单通道电信号数据转换为第一,二,三通道数据/>;
第一,二,三通道数据的计算公式如下:
S33:将第一,二,三通道数据拼接成三通道电信号数据/>,其计算公式如下:
其中,表示通道拼接操作。
6.根据权利要求1所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S4具体包括:
S41:将单通道电信号数据送入单通道特征提取层得到矩阵/>,将三通道电信号数据/>送入三通道特征提取层得到矩阵/>;
S42:所述矩阵经过单通道注意力层得到矩阵/>,所述矩阵/>经过三通道注意力层得到矩阵/>,将矩阵/>和矩阵/>进行特征融合得到矩阵;
S43:所述矩阵经过第一编码层得到矩阵/>,所述矩阵/>再经过第二编码层得到矩阵/>;
S44:所述矩阵经过残差层进行进一步的特征提取和处理;
S45:最后,通过全连接层和Softmax层得到最终的检测结果。
7.根据权利要求6所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于:
所述单通道特征提取层包括1×1、3×3、5×5一维卷积、归一化层、Relu激活函数和最大池化层;
所述三通道特征提取层包括3×3、5×5、7×7二维卷积、归一化层、Relu激活函数和最大池化层。
8.根据权利要求6所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,步骤S42具体包括:
S421:矩阵经过单通道注意力层得到矩阵/>,所述单通道注意力层包括1×1一维卷积、单通道注意力机制、Relu激活函数;所述单通道注意力机制的计算公式如下:
其中,表示单通道注意力机制的权重;/>表示/>激活函数;/>表示单通道注意力机制的输入;/>表示一维卷积;/>表示自适应平均池化;/>表示最大池化;/>表示计算平均值;
单通道注意力机制的输出矩阵的计算公式如下:
其中,表示单通道注意力机制的输出,/>表示偏置项;
S422:将矩阵送入三通道注意力层得到矩阵/>;所述三通道注意力层包括1×1二维卷积,三通道注意力机制,Relu激活函数;
三通道注意力机制的计算公式如下:
其中,表示三通道注意力机制的权重;/>表示/>激活函数;/>表示三通道注意力机制的输入;/>表示二维卷积;/>表示自适应平均池化;/>表示最大池化;
三通道注意力机制的输出矩阵的计算公式如下:
S423:将所述矩阵和矩阵/>进行特征融合得到矩阵/>。
9.根据权利要求6所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S43具体包括:
S431:所述矩阵经过第一编码层得到矩阵/>,所述第一编码层的计算公式如下:
其中,表示第一层编码层的输出;/>表示/>的通道数;/>表示/>的高;/>表示/>的宽;
S432:所述矩阵经过第二编码层得到矩阵/>,所述第二编码层的计算公式如下:
其中,表示第二层编码层的输出;/>表示/>的通道数;/>表示/>的高;/>表示/>的宽。
10.根据权利要求6所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于:
所述残差层包括3×3二维卷积、残差块、归一化层、全局平均池化层和Relu激活函数;
所述残差块包括3×3分组卷积、1×1深度可分离卷积、归一化层和Relu激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812188.5A CN117481630B (zh) | 2023-12-26 | 2023-12-26 | 一种基于生物电阻抗分析法的乳腺癌检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812188.5A CN117481630B (zh) | 2023-12-26 | 2023-12-26 | 一种基于生物电阻抗分析法的乳腺癌检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117481630A true CN117481630A (zh) | 2024-02-02 |
CN117481630B CN117481630B (zh) | 2024-04-05 |
Family
ID=89678541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311812188.5A Active CN117481630B (zh) | 2023-12-26 | 2023-12-26 | 一种基于生物电阻抗分析法的乳腺癌检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117481630B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080306402A1 (en) * | 2006-09-25 | 2008-12-11 | Singer Michaeal G | Method and system for determining vitality, healing and condition of tissue or organ for surgery |
US20160143540A1 (en) * | 2013-07-17 | 2016-05-26 | Nevzat Guneri Gencer | Multifrequency electrical impedance imaging using lorentz fields |
CN106618568A (zh) * | 2016-10-12 | 2017-05-10 | 西安石油大学 | 一种应用于乳腺癌检测的快速eis混频测量装置 |
KR20190048298A (ko) * | 2017-10-31 | 2019-05-09 | 한국 한의학 연구원 | 다중 주파수 생체임피던스 측정을 이용한 건강정보 획득 장치 및 방법 |
CN113413148A (zh) * | 2021-08-24 | 2021-09-21 | 常州先趋医疗科技有限公司 | 一种提高阻抗生物传感器效果的信号处理方法及装置 |
CN114041774A (zh) * | 2021-10-20 | 2022-02-15 | 南京麦澜德医疗科技股份有限公司 | 一种基于并行处理的同时多频生物电阻抗测量系统及方法 |
CN115568842A (zh) * | 2022-09-26 | 2023-01-06 | 广州中康先觉健康科技有限责任公司 | 一种多通道人体阻抗网络构建系统 |
US20230039900A1 (en) * | 2021-08-07 | 2023-02-09 | Fuzhou University | Method for realizing a multi-channel convolutional recurrent neural network eeg emotion recognition model using transfer learning |
-
2023
- 2023-12-26 CN CN202311812188.5A patent/CN117481630B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080306402A1 (en) * | 2006-09-25 | 2008-12-11 | Singer Michaeal G | Method and system for determining vitality, healing and condition of tissue or organ for surgery |
US20160143540A1 (en) * | 2013-07-17 | 2016-05-26 | Nevzat Guneri Gencer | Multifrequency electrical impedance imaging using lorentz fields |
CN106618568A (zh) * | 2016-10-12 | 2017-05-10 | 西安石油大学 | 一种应用于乳腺癌检测的快速eis混频测量装置 |
KR20190048298A (ko) * | 2017-10-31 | 2019-05-09 | 한국 한의학 연구원 | 다중 주파수 생체임피던스 측정을 이용한 건강정보 획득 장치 및 방법 |
US20230039900A1 (en) * | 2021-08-07 | 2023-02-09 | Fuzhou University | Method for realizing a multi-channel convolutional recurrent neural network eeg emotion recognition model using transfer learning |
CN113413148A (zh) * | 2021-08-24 | 2021-09-21 | 常州先趋医疗科技有限公司 | 一种提高阻抗生物传感器效果的信号处理方法及装置 |
CN114041774A (zh) * | 2021-10-20 | 2022-02-15 | 南京麦澜德医疗科技股份有限公司 | 一种基于并行处理的同时多频生物电阻抗测量系统及方法 |
CN115568842A (zh) * | 2022-09-26 | 2023-01-06 | 广州中康先觉健康科技有限责任公司 | 一种多通道人体阻抗网络构建系统 |
Non-Patent Citations (2)
Title |
---|
彭雪婵;张旭秀;姚鑫;李卫东;: "基于EEMD-JADE的单通道EP信号少次提取方法", 大连交通大学学报, no. 03, 15 June 2017 (2017-06-15), pages 101 - 111 * |
董周寰;张晶;王哲;许程程;王芳;宋海峰;付洁;石怀银;: "运用数字PCR检测乳腺癌组织FFPE样品中人表皮生长因子受体2拷贝数的变化", 生物技术通讯, no. 03, 30 May 2018 (2018-05-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117481630B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10192099B2 (en) | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images | |
Buciu et al. | Directional features for automatic tumor classification of mammogram images | |
Wajid et al. | Local energy-based shape histogram feature extraction technique for breast cancer diagnosis | |
Guo et al. | A new method of detecting micro-calcification clusters in mammograms using contourlet transform and non-linking simplified PCNN | |
US20040184646A1 (en) | Method, apparatus, and program for judging images | |
CN112862808A (zh) | 一种基于深度学习的乳腺癌超声图像的可解释性识别方法 | |
Almuntashri et al. | Gleason grade-based automatic classification of prostate cancer pathological images | |
CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 | |
Beheshti et al. | Classification of abnormalities in mammograms by new asymmetric fractal features | |
CN113345576A (zh) | 一种基于深度学习多模态ct的直肠癌淋巴结转移诊断方法 | |
CN114529505A (zh) | 一种基于深度学习的乳腺病变风险评估系统 | |
CN112614093A (zh) | 基于多尺度空间注意力网络的乳腺病理图像分类方法 | |
CN110766678A (zh) | 一种卵巢癌分子分型预测系统 | |
CN117481630B (zh) | 一种基于生物电阻抗分析法的乳腺癌检测方法 | |
Bhende et al. | Attention layer-based multidimensional feature extraction for diagnosis of lung cancer | |
CN110136112B (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
Arpana et al. | Feature extraction values for digital mammograms | |
CN110738649A (zh) | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 | |
Dheeba et al. | Computer aided intelligent breast cancer detection: second opinion for radiologists—a prospective study | |
Youssef et al. | Statistical features and classification of normal and abnormal mammograms | |
CN114998644A (zh) | 肿瘤诊断系统及其构建方法、终端设备及存储介质 | |
Arai et al. | Improvement of automated detection method for clustered microcalcification based on wavelet transformation and support vector machine | |
Li et al. | Automated basal cell carcinoma detection in high-definition optical coherence tomography | |
CN113902676A (zh) | 基于注意力机制的神经网络的肺结节图像检测方法及系统 | |
Dong et al. | Segmentation of pulmonary nodules based on improved UNet++ |
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 |