面向液基细胞学检查的融合推理与学习的决策分类方法技术

本发明专利技术公开一种面向液基细胞学检查的融合推理与学习的决策分类方法，包括如下步骤：1)数据和本体准备：构建用于决策目标的数据集和与数据有关的本体，提取二者之间的多个关联数据特征，将其作为目标特征的子特征；2)神经网络和规则构建：训练包括一个目标特征聚类器和多个子特征分类器的神经网络集合，构建决策目标相关的推理规则；3)知识推理与神经网络融合：融合知识推理与机器学习，实现支持机器学习结果的知识规则推理和推理结果结合机器学习结果的演进方法，并分析处理结果。本发明专利技术融合知识推理和机器学习两种途径，在提升分类准确率的同时，通过演进方法使结果拥有可解释性，并且逐渐提高了结果的可靠性。

【技术实现步骤摘要】
面向液基细胞学检查的融合推理与学习的决策分类方法
本专利技术属于计算机软件开发领域，具体涉及一种融合推理与学习的决策分类方法。
技术介绍
宫颈癌是严重的健康问题之一，全世界每年有近50万妇女患此病。使用巴氏涂片筛查宫颈癌开创了宫颈癌筛查的先河，随着计算机技术逐渐应用于医学领域中，TCT联合描述性诊断(TBS)的筛查方法成为了现今广泛使用的高准确率的宫颈癌筛查技术。液基细胞学检查(TCT)技术能够有效地降低宫颈病变漏诊率，但TCT检查的人工成本比较高。筛查所需的子宫颈细胞样本中包含成千上万个子宫颈细胞，医师在显微镜下对其进行观察诊断的过程非常耗时耗力。因此，使用人工智能技术对子宫颈细胞样本图像进行宫颈癌筛查是有极大意义的。宫颈细胞图像的自动化识别研究在很早就已经开展。目前，人工智能技术仍然主要应用于医学图像，以辅助医师进行癌症筛查，本专利技术也是通过融合知识推理和机器学习这两种人工智能技术来对宫颈鳞状上皮细胞图像进行分类。关于知识推理，它是在计算机或智能系统中模拟人类的智能推理方式，依据推理控制策略，利用形式化的知识进行机器思维和本文档来自技高网...

【技术保护点】
1.一种面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，包括如下步骤：/n1)数据和本体准备：构建用于决策目标的数据集和与数据有关的本体，提取二者之间的多个关联数据特征，将其作为目标特征的子特征；/n2)神经网络和规则构建：训练包括一个目标特征聚类器和多个子特征分类器的神经网络集合，构建决策目标相关的推理规则；/n3)知识推理与神经网络融合：融合知识推理与机器学习，实现支持机器学习结果的知识规则推理和推理结果结合机器学习结果的演进方法，并分析处理结果。/n

【技术特征摘要】
1.一种面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，包括如下步骤：
1)数据和本体准备：构建用于决策目标的数据集和与数据有关的本体，提取二者之间的多个关联数据特征，将其作为目标特征的子特征；
2)神经网络和规则构建：训练包括一个目标特征聚类器和多个子特征分类器的神经网络集合，构建决策目标相关的推理规则；
3)知识推理与神经网络融合：融合知识推理与机器学习，实现支持机器学习结果的知识规则推理和推理结果结合机器学习结果的演进方法，并分析处理结果。


2.根据权利要求1所述的面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，步骤1)的数据和本体准备包含构建训练目标特征聚类神经网络的数据集、构建宫颈癌筛查本体、提取子特征、构建训练子特征分类神经网络的数据集，以及添加实体数据。


3.根据权利要求2所述的面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，构建训练目标特征聚类神经网络的数据集是由TCT细胞切片图像使用深度学习分割网络U-Net将这些细胞切片图像上的细胞分割下来，得到单个宫颈鳞状上皮细胞图像，在其中选取成像清晰且分割效果较好的细胞图像，作为数据集的组成部分。


4.根据权利要求3所述的面向液基细胞学检查的融合推理与学习的决策分类方法，其特征在于，宫颈癌筛查本体通过自下而上的方法构建，关联特征是依据已构建好的宫颈鳞状上皮细胞图像数据集和宫颈癌筛查本体，将宫颈癌筛查知识中高频提及的概念与细胞图像特征相互对应、关联选取，并作为子特征分类器的分类标准。

【专利技术属性】
技术研发人员：康达周，李迪媛，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32