基于BP神经网络和细胞力学特性参数的癌细胞分类方法技术

一种基于BP神经网络和细胞力学特性参数的癌细胞分类方法，以肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的细胞力学参数作为输入数据，以细胞的种类分类作为输出数据，建立BP神经网络，来识别细胞的类型。本发明专利技术具有速度快、自动化、准确率高的优点，为癌细胞的识别分类节省了大量的人力成本、物力成本、时间成本，有助于人们从细胞力学角度来看待癌细胞的识别分类，为癌细胞识别分类提供一个新的视角，同时减少了传统方法中人为主管因素所带来的癌细胞识别分类误差。本发明专利技术的方法，细胞识别准确率为100％，即误差为0，准确率高，且是由程序自动化识别，为癌症的识别分类提供了一种有效的补充方法。

【技术实现步骤摘要】
基于BP神经网络和细胞力学特性参数的癌细胞分类方法
本专利技术涉及一种癌细胞识别分类方法。特别是涉及一种基于BP神经网络和细胞力学特性参数的癌细胞分类方法。
技术介绍
21世纪以来癌症发病率越发走高，己经成为危害人类生命的一种严重疾病。目前常用的癌症分类识别方法为CT、核磁共振等，主要是从细胞的形态学表征作为出发点，通过各种影像技术，结合医生的临床经验来识别。不过由于一些癌症(包括同器官的不同癌细胞，还是不同器官的癌细胞)具有相类似的组织病理学、形态学，因此将会消耗大量的时间精力来识别，且识别的成功率取决于医生的主观因素，因此非常有必要研发一种速度快、自动化、准确率高的癌症识别分类方法。细胞的力学性能分析具有非常重大的意义，为人类疾病研究和诊断方面提供了重要科学数据，随着生命科学和纳米技术的不断发展，人们认识到细胞的病变会导致细胞骨架构型发生变化，而在后者中细胞的力学特性扮演着决定性作用，细胞力学影响到生物信号在细胞内的传递，且不同类型的癌细胞力学性能往往也大不相同，因此细胞的力学特性已经成为研究癌细胞的重要方式，因而利用细胞的本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络和细胞力学特性参数的癌细胞分类方法，其特征在于，以肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的细胞力学参数作为输入数据，以细胞的种类分类作为输出数据，建立BP神经网络，来识别细胞的类型；具体包括如下步骤：/n1)分别获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据作为输入数据；/n2)将输入的数据随机打乱，重新排序，且按照4：1：5的比率，将输入数据分成训练数据、验证数据、测试数据，并进行归一化操作；/n3)创建BP神经网络，其中输入层节点为5；隐含层为6层，每层...

【技术特征摘要】
1.一种基于BP神经网络和细胞力学特性参数的癌细胞分类方法，其特征在于，以肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的细胞力学参数作为输入数据，以细胞的种类分类作为输出数据，建立BP神经网络，来识别细胞的类型；具体包括如下步骤：
1)分别获取肝癌细胞7721、肝癌细胞HepG2、肺癌细胞A549和胃癌细胞SGC的杨氏模量、黏附功、粘附力、细胞高度、表面粗糙度的数据作为输入数据；
2)将输入的数据随机打乱，重新排序，且按照4：1：5的比率，将输入数据分成训练数据、验证数据、测试数据，并进行归一化操作；
3)创建BP神经网络，其中输入层节点为5；隐含层为6层，每层的节点为10；输出层的节点为4；
4)确定BP神经网络的参数，包括：设置激活函数为Softmax函数，学习率为0.1，采用BatchNormalizarion来避免梯度消失，优化方法采用Adam，目标函数采用CrossEntropy；
5)将训练数据送入设置好参数的BP神经网络，进行BP神经网络的前向计算，得到相应的权值参数W、b和实际输出y；
6)将得到的实际输出y与期望输出计算误差，然后根据目标函数以及误差进行BP神经网络的反向传播计算，来更新BP神经网络的权值参数W和b，得到训练好的BP神经网络；
7)将验证数据输入训练好的BP神经网络，获得BP神经网络的预测输出，将所述的预测输出与期望输出做误差运算，得到BP神经网络的误差，并计算正确率，所述的正确率为95％；
8)重复步骤5)～步骤7)，直到正确率...

【专利技术属性】
技术研发人员：田延岭，林旺江，朱鑫垚，王伟杰，刘柱，张伟，吕荣宇，卢康康，王福军，张大卫，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12