本发明专利技术提供了皮肤癌识别模型的构建方法、皮肤癌识别装置、电子设备。构建方法包括：通过人工智能深度卷积神经网络，针对多个第二图像数据进行训练学习和特征提取，构建针对多个试验皮肤样本的第一数据库，生成512维图像特征向量；通过多层感知网络，针对多个多组学数据进行训练学习和特征提取，构建针对多个试验血液及组织样本的第二数据库，生成512维多组学特征向量；将512维图像特征向量和512维多组学特征向量进行特征映射和特征融合，获得第三数据库；采用分类器，获得分类结果；对分类结果进行排序误差计算，以对第三数据库进行修正，并由此构建皮肤癌识别模型。本发明专利技术解决的问题是：相关技术中的技术方案无法快速准确地获得识别结果。识别结果。识别结果。
【技术实现步骤摘要】
皮肤癌识别模型的构建方法、皮肤癌识别装置、电子设备
[0001]本专利技术涉及医疗领域，具体而言，涉及皮肤癌识别模型的构建方法、皮肤癌识别装置、电子设备。
技术介绍
[0002]皮肤恶性肿瘤是常见的恶性肿瘤，发病率在全球范围内逐年递增，对人类健康造成了极大威胁。皮肤恶性肿瘤的早期识别、及时诊治和防止复发，对改善预后，提高患者生存率和生存质量都非常重要。皮肤镜是近年来新兴的无创皮肤病识别工具，但在临床应用中发现，其高度依赖医生的临床经验，主观性强，可重复性差，是皮肤镜存在的主要问题。人工智能(artificial intelligence,AI)的出现为有效解决上述问题提供了新的思路，通过采用人工智能对皮肤图像进行分析，使得识别结果更加精确、客观，国内外已有研究将人工智能应用于皮肤镜图像的识别。同时，随着分子生物学技术和癌症精准医学不断向纵深发展，使用包括转录组学、蛋白质组学等高通量测序分析方法，对恶性肿瘤的发生机制及生物标志物的探索都有很重要的价值。因此，如何采用多模态人工智能技术对皮肤镜图像，多组学数据进行统一建模、协同学习，有着很高的价值。
[0003]由此可见，相关技术中存在的问题是：相关技术中的技术方案无法快速准确地获得识别结果。
技术实现思路
[0004]本专利技术解决的问题是：相关技术中的技术方案无法快速准确地获得识别结果。
[0005]为解决上述问题，本专利技术的第一目的在于提供一种基于多模态特征融合的皮肤癌识别模型的构建方法。
[0006]本专利技术的第二目的在于提供一种基于多模态特征融合的皮肤癌识别装置。
[0007]本专利技术的第三目的在于提供一种电子设备。
[0008]为实现本专利技术的第一目的，本专利技术的实施例提供了一种基于多模态特征融合的皮肤癌识别模型的构建方法，构建方法包括：采用皮肤镜对多个试验皮肤样本进行图像采集，获取针对多个试验皮肤样本的多个第一图像数据；针对多个第一图像数据进行预处理，获得多个第二图像数据；通过人工智能深度卷积神经网络，针对多个第二图像数据进行训练学习和特征提取，构建针对多个试验皮肤样本的第一数据库，生成512维图像特征向量；从多个试验血液及组织样本中获取针对多个试验血液及组织样本的多个转录本数据；针对多个转录本数据进行预处理，获得多个多组学数据；通过多层感知网络，针对多个多组学数据进行训练学习和特征提取，构建针对多个试验血液及组织样本的第二数据库，生成512维多组学特征向量；将512维图像特征向量和512维多组学特征向量进行特征映射和特征融合，获得第三数据库；采用分类器，将第三数据库中的数据进行类别划分，获得分类结果；对分类结果进行排序误差计算，以对第三数据库进行修正，并由此构建皮肤癌识别模型。
[0009]本实施例能够达到的效果是：本实施例的方案提供了一种基于多模态特征融合的
皮肤癌识别模型的构建方法，该皮肤癌识别模型可代替人工识别，使皮肤恶性肿瘤的识别更加快速准确。
[0010]在本专利技术的一个实施例中，针对多个第一图像数据进行预处理，获得多个第二图像数据，包括：针对多个第一图像数据依次进行清洗预处理、归一化预处理、背景毛发去除预处理。
[0011]本实施例能够达到的效果是：对多个第一图像数据依次进行清洗预处理、归一化预处理、背景毛发去除预处理，可使得到的第二图像数据更加的清晰。对多个第一图像数据进行清洗预处理，可使多个第二图像数据的杂质得到剔除；对多个第一图像数据进行进行归一化预处理，可使多个第二图像数据被限定在一定范围内，提高图像数据的准确性；对多个第一图像数据进行背景毛发去除预处理，可使多个第二图像数据排除更多的干扰因素，图像更加的清晰。
[0012]在本专利技术的一个实施例中，通过人工智能深度卷积神经网络，针对多个第二图像数据进行训练学习和特征提取，构建针对多个试验皮肤样本的第一数据库，生成512维图像特征向量，包括：通过人工智能深度卷积神经网络，结合颜色特征、纹理特征、几何特征、局部二值模式特征，针对多个第二图像数据进行训练学习和特征提取，构建针对多个试验皮肤样本的第一数据库，生成512维图像特征向量。
[0013]本实施例能够达到的效果是：卷积神经网络能够在图像和语音识别方面给出更好的结果；局部二值模式特征为特征分析中常用的特征，通过局部二值模式特征来更好的反映第二图像数据的纹理信息，使第二图像数据的特征提取更加精准；通过设置人工智能深度卷积神经网络，结合颜色特征、纹理特征、几何特征、局部二值模式特征，针对多个第二图像数据进行训练学习和特征提取，可使不同的第二图像数据中的关键特征被提取，并存储到第一数据库中，使模型在识别后续实际使用时采集到的图像数据更加快捷，更加精准，同时通过多种特征提取，提高了数据库中数据的多样性，使模型能应对不同的患者人群，提高了模型的实用性，也提高了识别效率。
[0014]在本专利技术的一个实施例中，从多个试验血液及组织样本中获取针对多个试验血液及组织样本的多个转录本数据，包括：使用多个试验血液及组织样本制备相应蛋白及RNA样品，对相应蛋白及RNA样品进行蛋白组与转录组测序，获得测序结果，使用高保真聚合酶扩增测序结果，获得测序文库，对测序文库进行高通量测序，获得多个转录本数据。
[0015]本实施例能够达到的效果是：本实施例的方案可对多个试验血液及组织样本的RNA进行检测和定量，将高保真聚合酶扩增测序结果，获得测序文库后，再经过高通量测序，得到转录本数据。本实施例的方案能够高效地获得试验血液及组织样本的转录本数据。
[0016]在本专利技术的一个实施例中，针对多个转录本数据进行预处理，获得多个多组学数据，包括：通过生物学信息学方法解析多个转录本数据，明确MM、BCC、SCC相关生物标志物在多个转录本数据中的表达范围，获得多个多组学数据。
[0017]本实施例能够达到的效果是：多组学数据获得的信息更为全面，能够有效地弥补单一组学数据的片面性，帮助研究人员更全面地获取试验血液及组织样本的相关数据，提高了构建皮肤癌识别模型的效率和质量。
[0018]在本专利技术的一个实施例中，将512维图像特征向量和512维多组学特征向量进行特征映射和特征融合，获得第三数据库，包括：将512维图像特征向量和512维多组学特征向量
映射到0
‑
1之间，使512维图像特征向量和512维多组学特征向量均满足正态分布；将映射后的512维图像特征向量和512维多组学特征向量逐像素相乘，获得相乘结果，对相乘结果进行SUM POOLLING操作，实现特征融合。
[0019]本实施例能够达到的效果是：本实施例的方案使用多种模态的数据，可帮助皮肤癌识别模型做出更鲁棒的预测；不同的模态之间会存在互补的信息，当一种模态数据缺失时，皮肤癌识别模型仍可运行，有效地提升了皮肤癌识别模型的可靠性。
[0020]在本专利技术的一个实施例中，采用分类器，将第三数据库中的数据进行类别划分，获得分类结果，包括：采用SVM分类器、XBOOST分类器、全连接Softmax分类器中的至少本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多模态特征融合的皮肤癌识别模型的构建方法，其特征在于，所述构建方法包括：采用皮肤镜对多个试验皮肤样本进行图像采集，获取针对所述多个试验皮肤样本的多个第一图像数据；针对所述多个第一图像数据进行预处理，获得多个第二图像数据；通过人工智能深度卷积神经网络，针对所述多个第二图像数据进行训练学习和特征提取，构建针对所述多个试验皮肤样本的第一数据库，生成512维图像特征向量；从多个试验血液及组织样本中获取针对所述多个试验血液及组织样本的多个转录本数据；针对所述多个转录本数据进行预处理，获得多个多组学数据；通过多层感知网络，针对所述多个多组学数据进行训练学习和特征提取，构建针对所述多个试验血液及组织样本的第二数据库，生成512维多组学特征向量；将所述512维图像特征向量和所述512维多组学特征向量进行特征映射和特征融合，获得第三数据库；采用分类器，将所述第三数据库中的数据进行类别划分，获得分类结果；对所述分类结果进行排序误差计算，以对所述第三数据库进行修正，并由此构建所述皮肤癌识别模型。2.根据权利要求1所述的构建方法，其特征在于，所述针对所述多个第一图像数据进行预处理，获得多个第二图像数据，包括：针对所述多个第一图像数据依次进行清洗预处理、归一化预处理、背景毛发去除预处理。3.根据权利要求1所述的构建方法，其特征在于，所述通过人工智能深度卷积神经网络，针对所述多个第二图像数据进行训练学习和特征提取，构建针对所述多个试验皮肤样本的第一数据库，生成512维图像特征向量，包括：通过人工智能深度卷积神经网络，结合颜色特征、纹理特征、几何特征、局部二值模式特征，针对所述多个第二图像数据进行训练学习和特征提取，构建针对所述多个试验皮肤样本的所述第一特征库，生成所述512维图像特征向量。4.根据权利要求1所述的构建方法，其特征在于，所述从多个试验血液及组织样本中获取针对所述多个试验血液及组织样本的多个转录本数据，包括：使用所述多个试验血液及组织样本制备相应蛋白及RNA样品，对所述相应蛋白及RNA样品进行蛋白组与转录组测序，获得测序结果，使用高保真聚合酶扩增所述测序结果，获得测序文库，对所述测序文库进行高通量测序，获得所述多个转录本数据。5.根据权利要求1所述的构建方法，其特征在于，所述针对所述多个转录本数据进行预处理，获得多个多组学数据，包括：通过生物学信息学方法解析所述多个转录本数据，明确MM、BCC、SCC相关生物标志物在所述多个转录本数据中的表达范围，获得所述多个多组学数据。6.根...
【专利技术属性】
技术研发人员：许素玲，忻超，周琼艳，王松挺，朱小霞，许峰，赵可喻，刘志方，马艺钊，苗琳琳，
申请(专利权)人：宁波大学医学院附属医院，
类型：发明
国别省市：
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。