一种融合深度张量神经网络的医学影像数据分析方法和系统技术方案

技术编号:17112001 阅读:22 留言:0更新日期:2018-01-24 23:00
本发明专利技术属于计算机应用技术领域,具体涉及医学影像分析技术领域,特别是一种融合深度张量神经网络的医学影像数据分析方法和系统,本发明专利技术首先经过张量卷积神经网络整合医学图像内的有效信息,再进入张量递归神经网络,通过对病人历史医学影像数据和当前医学影像数据进行分析,输出当前医学影像数据的分析结果和将来时刻医学影像的分析结果预测,分别用于为医师提供分析参考和评价病人正在接受的治疗方案。本发明专利技术引入张量CP分解和张量列分解,相比传统递归神经网络,张量递归神经网络的参数规模远远小于传统网络处理相同张量数据时的网络参数规模。因此能有效提高影像学分析的可靠性和效率,为调整优化治疗方案提供依据。

A method and system for medical image data analysis with a fusion depth tensor neural network

The invention belongs to the technical field of computer application, specifically relates to the technical field of medical image analysis, in particular to a medical image data fusion depth tensor neural network analysis method and system of the invention, first through tensor convolutional neural network is the effective integration of information in medical images, then enter the tensor of recurrent neural network, based on the patient history of medical imaging the current medical imaging data and data analysis, the output results of current medical image data and future analysis time of medical imaging results, were used to provide reference and evaluation analysis of the treatment on patients who are receiving for physicians. The tensor CP decomposition and tensor column decomposition are introduced. Compared with the traditional recurrent neural network, the parameter size of tensor recurrent neural network is much smaller than that of traditional network when dealing with the same tensor data. Therefore, it can effectively improve the reliability and efficiency of imaging analysis, and provide the basis for the adjustment and optimization of the treatment scheme.

【技术实现步骤摘要】
一种融合深度张量神经网络的医学影像数据分析方法和系统
本专利技术属于计算机应用
,具体涉及医学影像分析
,特别是一种融合深度张量神经网络的医学影像数据分析方法和系统。
技术介绍
如专利技术名称为深度学习对医学数据进行分析的方法及其智能分析仪,申请号为201510294286.3的中国专利技术专利,应用深度学习模型对医学数据进行分析,输出相应的病理分析结果。其具体实施方案如下:采集已备案的同类型的医学素材数据及与该医学素材数据匹配的医学分析数据作为医学训练数据通过输入装置存储于计算机中;所述医学训练数据中不小于二维的医学影像数据与文本数据中随时间空间的变化值与对应的数据相关联;在采集的海量医学训练数据中,将与每一个个体对应的医学训练数据和所述变化值汇总为一条单元数据;将所述训练数据采用分割、关联或文本数据挖掘方法整合或格式化为计算机可以理解的结构化数据矩阵并从每个单元数据中提取数据特征;将已形成结构化数据矩阵的医学训练数据导入装置于计算机内对应深度学习模型的存储模块中;通过计算机对所述深度学习模型进行优化计算;将获取的已形成结构化矩阵数据的医学待分析数据导入该深度学习模型中进行与之匹配的医学病理分析;由该深度学习模型通过输出装置输出与所述医学待分析数据相匹配的医学病理分析结果及疾病发展变化的预测结果。该现有技术只是把所有能够获取的医疗数据冗杂在一起构建矩阵数据,利用卷积神经网络与相应的诊断记录匹配起来。这种做法基于最大化信息量的原则进行的。存在大量的重复信息,增加模型的信息搜索负担,同时冗杂了与模型问题无关的信息,掩盖内在规律。卷积神经网络不能够提取时间维度的信息,存在时间维度的信息,反成了噪声。并且通过现有技术可知递归神经网络是一种能够对时序数据进行显示建模的神经网络,而医学影像一般以2D和3D的矩阵或张量模型存储表达,规模较大,如MRI图像每个切片视野为512×512,传统递归神经网络分析时,采用向量化处理运算,对医学图像进行特征提取或其他向量化处理,会在不同程度上破坏医学图像特有的空间结构信息及各因素间的内在依赖性,不能充分利用医学图像的全部有效信息,模型输出结果可靠性低,同时传统递归神经网络中存在大量全连接结构,如输入层到第一层隐藏层全连,隐层间全连接、隐藏层自身全连接,隐藏层到输出层全连接,这些全连接结构产生了庞大的权值参数,导致内存代价高,计算复杂度高,效率低等问题。
技术实现思路
针对以上问题,本专利技术在只能处理向量数据的传统递归神经网络进行适当的修改,提供一种融合深度张量神经网络的医学影像数据分析方法和系统。为解决上述技术问题,本专利技术采用的一个技术方案是:提供一种融合深度张量神经网络的医学影像数据分析方法,其特征在于包括如下步骤:采集已备案待分析疾病的医学影像数据,建立并实时更新所述待分析疾病的医学影像数据库;根据待分析的问题对所述待分析疾病的医学影像数据库中待分析疾病的医学影像数据进行筛选,得到符合条件的医学影像数据;同一病人的医学影像数据按时间顺序组合成医学影像数据序列;根据所述筛选后的医学影像数据序列构建预测模型;利用卷积神经网络和张量递归神经网络设计构建深度学习预测模型的结构,对深度学习预测模型进行优化训练,输出最优的深度学习预测模型并更新;获取待分析的医学影像数据,与其近期的医学影像数据构成待分析的医学影像数据序列,并将所述医学影像数据序列导入深度学习预测模型;所述深度学习预测模型根据待分析的医学影像数据进行分析预测,输出当前影像的分析结果和未来影像的预测分析结果。进一步的,构建预测模型步骤之前还包括对筛选后的医学影像数据序列进行数据加强的数据加强步骤,所述数据加强步骤具体包括:对筛选后的医学影像数据进行几何变换,改变图像像素或体素的位置并保持特征的几何旋转不变性。更进一步的,所述构建预测模型具体包括如下步骤:迁移学习步骤,搜索下载图像深度学习网络的结构及其对应的参数,辅助深度学习预测模型的优化训练;卷积步骤,参照迁移学习步骤下载的图像深度学习网络中卷积部分的结构,构建卷积神经网络;并把图像深度学习网络相应位置的参数作为卷积神经网络的初始化参数,实现知识迁移;对数据加强之后的医学影像数据序列中的各个医学影像数据进行卷积处理,输出相应的张量特征图序列;张量递归步骤,通过张量递归神经网络对张量数据特征图序列进行分析和处理,所述张量递归步骤还包括张量CP分解步骤和张量列分解步骤,其中:张量CP分解步骤,对卷积神经网络输出的张量特征图序列中各个张量特征图和张量递归神经网络内的张量参数进行CP分解;张量列分解步骤,对张量递归神经网络内的全连接矩阵进行张量列分解;参数优化步骤,优化调整卷积神经网络和张量递归神经网络内的参数,输出最优的深度学习预测模型,将最优参数传递给深度学习预测模型。作为一种改进,该方法还包括专家校正步骤,所述专家校正步骤具体包括:专业医师根据当前医学影像和深度学习预测模型输出的分析结果和,给出当前医学影像所对应的最终分析结果,经审查后的最终分析结果自动及时归入到医学影像数据中。具体的,所述几何变换包括但不局限于仿射变换、投影变换、噪声扰动;所述仿射变换包括平移、缩放、旋转、剪切。一种融合深度张量神经网络的医学影像数据分析系统,该系统包括医学影像数据库模块,数据筛选模块,模型训练模块,智能预测模块,实时医学影像数据产生模块,结果输出模块:其中:所述医学影像数据库模块,用于采集已备案待分析疾病的医学影像数据,建立并实时更新所述待分析疾病的医学影像数据库;所述数据筛选模块,用于根据待分析的问题对所述待分析疾病的医学影像数据库中待分析疾病的医学影像数据进行筛选,得到符合条件的医学影像数据;同一病人的医学影像数据按时间顺序组合成医学影像数据序列;所述模型训练模块,用于根据筛选后的医学影像数据构建预测模型;所述构建预测模型包括利用卷积神经网络和张量递归神经网络设计构建深度学习预测模型的结构,对深度学习预测模型进行优化训练,输出最优的深度学习预测模型并更新;所述实时医学影像数据产生模块,用于获取待分析的医学影像数据,与其近期的医学影像数据构成待分析的医学影像数据序列,并将所述医学影像数据序列导入深度学习预测模型;所述结果输出模块,用于将所述深度学习预测模型根据待分析的医学影像数据进行分析预测,输出当前影像的分析结果和未来影像的预测分析结果。进一步的,该系统还包括对筛选后的医学影像数据序列进行数据加强的数据加强模块,所述数据加强模块用于:对筛选后的医学影像数据进行几何变换,改变图像像素或体素的位置并保持特征的几何旋转不变性。作为一种改进,所述模型训练模块具体包括如下子模块:迁移学习子模块,用于搜索下载图像深度学习网络的结构及其对应的参数,辅助深度学习预测模型的优化训练;卷积神经网络子模块,用于参照迁移学习子模块下载的图像深度学习网络中卷积部分的结构,构建卷积神经网络;并把图像深度学习网络相应位置的参数作为卷积神经网络的初始化参数,实现知识迁移;对数据加强之后的医学影像数据序列中的各个医学影像数据进行卷积处理,输出相应的张量特征图序列;张量递归神经网络子模块,通过张量递归神经网络对张量数据特征图序列进行分析和处理,所述张量递归神经网络子模块还包括张量CP分解子模块和张量列分解子模本文档来自技高网
...
一种融合深度张量神经网络的医学影像数据分析方法和系统

【技术保护点】
一种融合深度张量神经网络的医学影像数据分析方法,其特征在于包括如下步骤:采集已备案待分析疾病的医学影像数据,建立并实时更新所述待分析疾病的医学影像数据库;根据待分析的问题对所述医学影像数据库中待分析疾病的医学影像数据进行筛选,得到符合条件的医学影像数据;同一病人的医学影像数据按时间顺序组合成医学影像数据序列;根据所述筛选后的医学影像数据序列构建预测模型;利用卷积神经网络和张量递归神经网络设计构建深度学习预测模型的结构,对深度学习预测模型进行优化训练,输出最优的深度学习预测模型;获取待分析的医学影像数据,与其近期的医学影像数据构成待分析的医学影像数据序列,并将所述医学影像数据序列导入深度学习预测模型;所述深度学习预测模型根据待分析的医学影像数据序列进行分析预测,输出当前影像的分析结果和未来影像的预测分析结果。

【技术特征摘要】
1.一种融合深度张量神经网络的医学影像数据分析方法,其特征在于包括如下步骤:采集已备案待分析疾病的医学影像数据,建立并实时更新所述待分析疾病的医学影像数据库;根据待分析的问题对所述医学影像数据库中待分析疾病的医学影像数据进行筛选,得到符合条件的医学影像数据;同一病人的医学影像数据按时间顺序组合成医学影像数据序列;根据所述筛选后的医学影像数据序列构建预测模型;利用卷积神经网络和张量递归神经网络设计构建深度学习预测模型的结构,对深度学习预测模型进行优化训练,输出最优的深度学习预测模型;获取待分析的医学影像数据,与其近期的医学影像数据构成待分析的医学影像数据序列,并将所述医学影像数据序列导入深度学习预测模型;所述深度学习预测模型根据待分析的医学影像数据序列进行分析预测,输出当前影像的分析结果和未来影像的预测分析结果。2.如权利要求1所述的融合深度张量神经网络的医学影像数据分析方法,其特征在于,所述根据筛选后的医学影像数据序列构建预测模型之前还包括对筛选后的医学影像数据序列进行数据加强的步骤,所述数据加强步骤具体包括:对筛选后的医学影像数据序列中的每个医学影像数据进行几何变换,改变图像像素或体素的位置并保持特征的几何旋转不变性。3.如权利要求2所述的融合深度张量神经网络的医学影像数据分析方法,其特征在于,所述根据筛选后的医学影像数据序列构建预测模型步骤具体包括如下步骤:迁移学习步骤,搜索下载图像深度学习网络的结构及其对应的参数,辅助深度学习预测模型的优化训练;卷积步骤,参照迁移学习步骤下载的图像深度学习网络中卷积部分的结构,构建卷积神经网络;并把图像深度学习网络相应位置的参数作为卷积神经网络的初始化参数,实现知识迁移;对数据加强之后的医学影像数据序列中的各个医学影像数据进行卷积处理,输出相应的张量特征图序列;张量递归步骤,通过张量递归神经网络对张量特征图序列进行分析和处理,所述张量递归步骤还包括张量CP分解步骤和张量列分解步骤,其中:张量CP分解步骤,对卷积神经网络输出的张量特征图序列中各个张量特征图和张量递归神经网络内的张量参数进行CP分解;张量列分解步骤,对张量递归神经网络内的全连接矩阵进行张量列分解;参数优化步骤,优化调整卷积神经网络和张量递归神经网络内的参数,输出最优的深度学习预测模型,将最优参数传递给深度学习预测模型。4.如权利要求1-3任一项所述的融合深度张量神经网络的医学影像数据分析方法,其特征在于,该方法还包括专家校正步骤,所述专家校正步骤具体包括:专业医师根据当前医学影像和深度学习预测模型输出的分析结果,给出当前医学影像所对应的最终分析结果。5.如权利要求2所述的融合深度张量神经网络的医学影像数据分析方法,其特征在于,所述几何变换包括但不局限于仿射变换、投影变换、噪声扰动;所述仿射变换包括如平移、缩放、旋转、剪切。6.一种融合深度张量神经网络的医学影像数据分析系统,其特征在于,该系统包括医学影像数据库模块,数据筛选模块,模型训练模块,...

【专利技术属性】
技术研发人员:曾德威王书强王兆哲陈伟
申请(专利权)人:中国科学院深圳先进技术研究院
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1