一种基于人工智能的乳腺采样数据的处理方法技术

本申请公开了一种基于人工智能的乳腺采样数据的处理方法，包括以下步骤：根据待检测病人体外激励频率收集人体乳腺部分的电阻率数据；对所述电阻率数据进行处理，得到对应的四维输入数据；将所述输入数据输入文本分类模型中，其中所述文本分类模型包括特征提取部分和类别分类部分，所述输入数据依次进行特征提取和类别分类；所述输入数据经过文本分类模型后输出，判断输出数据是否出现异常。本申请的文本分类模型能够对输入数据进行学习和处理以获得数据之间更多的关联信息，并对处理后的数据进行分类，判断数据是否出现异常，从而减少病人检测流程，有效提高判断的准确度，为医生的判断提供数据支撑，极大便利了医生和病人。人。人。

【技术实现步骤摘要】
一种基于人工智能的乳腺采样数据的处理方法


[0001]本专利技术涉及文本分类领域，具体为一种基于人工智能的乳腺采样数据的处理方法。

技术介绍

[0002]目前医学检测中图像临床检测手段的检查范围比较广泛，适用于身体多个器官，可以用于多种疾病检查，早发现、早治疗能够及时恢复人体健康。现在的图像临床检测手段主要有核磁共振成像、多普勒超声成像和计算机断层摄影技术等，这些技术发展多年，成熟稳定，但此类医学影像技术时间分辨率低、设备大和有电离辐射等因素，无法对肺部组件进行实时成像监测。
[0003]电阻抗断层成像技术对人体损伤小，成本低廉，且可以实现实时成像。经过近四十年的发展，电阻抗断层成像技术的激励信号由单频激励发展为多频激励，激励信号采用电流信号；前端采集平台由模拟技术为主转换为以数字技术为主，特别是在信号的检测阶段，往往通过高速模数转换电路采集之后进行数字信号处理。在图像重构方面近年来加入了人工智能的处理方法，旨在提升成像的分辨率。但目前的电阻抗断层成像系统成像过程中普遍存在非线性、病态性和不适定性等技术难题导致了成像质量效果不够理想和成像分辨率低，在临床上还没有得到较好的应用。
[0004]在现有技术中，专利CN202210153549公开了一种乳腺癌特征信息识别方法，根据获取病人在电子病历系统中的病人特征数据，根据机器学习算法和神经动力学方法等方法，有效地提高了乳腺癌分类识别上的准确率。但是这个方法选取的特征数据是医学图像数据的分析结果，数据获取的流程复杂。
[0005]因此，寻找一种能够减少病人检测流程，提高乳腺肿瘤分类识别的准确率，并为医生的诊断提供有效数据支撑的方法是本领域技术人员亟待解决的技术问题。

技术实现思路

[0006]针对上述现有技术的不足，本专利技术的目的在于提供一种基于人工智能的乳腺采样数据的处理方法，包括以下步骤：
[0007]根据待检测病人体外激励频率收集人体乳腺部分的电阻率数据；
[0008]对所述电阻率数据进行处理，得到对应的四维输入数据；
[0009]将所述输入数据输入文本分类模型中，其中所述文本分类模型包括特征提取部分和类别分类部分，所述输入数据依次进行特征提取和类别分类；
[0010]所述输入数据经过文本分类模型后输出，判断输出数据是否出现异常。
[0011]在本专利技术的一实施方式中，所述特征提取部分为伪孪生的特征提取网络，所说伪孪生的特征提取网络包括第一分支、第二分支、第一全连接层和第二全连接层，具体步骤如下：
[0012]将所述输入数据分别输入第一分支和第二分支进行特征提取，得到第一分支的输
出张量和第二分支的输出张量；
[0013]将所述第一分支输出张量和第二分支输出张量合并，得到第三输出张量，对所述第三输出张量进行降维处理，得到第四输出张量；
[0014]将所述第四输出张量依次进行第一全连接层和第二全连接层操作，得到特征提取的输出张量。
[0015]在本专利技术的一实施方式中，所述第一分支是基于transformer结构的特征提取，所述第一分支的特征提取包括：所述输入数据依次通过5个transformer层，再经过1个5
×
5深度可分离卷积，得到所述第一分支的输出张量。
[0016]在本专利技术的一实施方式中，所述transformer层的具体操作如下：
[0017]将所述输入数据先经过多头注意机制子层，得到第一输出张量；
[0018]将所述第一输出张量进行线性变化，并使用sigmoid激活函数进行激活，得到所述多头注意机制的输出张量；
[0019]将所述多头注意机制的输出张量进行神经元随机失活，得到第二输出张量；
[0020]将所述第二输出张量与所述输入数据张量相加，得到transformer层第一部分输出张量；
[0021]将所述transformer层第一部分输出张量进入前馈全连接层进行处理，并对所述前馈全连接层的输出张量进行神经元随机失活，得到所述transformer层第二部分输出张量；其中所述前馈全连接层包括第一全连接子层和第二全连接子层；
[0022]将所述transformer第一部分输出张量和所述transformer层第二部分输出张量相加，得到transformer层的输出张量。
[0023]在本专利技术的一实施方式中，将所述transformer层第一部分输出张量进入前馈全连接层进行处理包括：
[0024]将所述transformer层第一部分输出张量进入第一全连接子层进行全连接层操作，并使用Relu函数进行激活；
[0025]将激活后的第一全连接子层输出张量进行神经元随机失活；
[0026]将随机失活后的所述第一全连接子层输出张量再进入第二全连接子层进行全连接层操作，使用sigmoid函数进行激活，得到所述前馈全连接层的输出张量。
[0027]在本专利技术的一实施方式中，第二分支是基于全卷机网络的特征提取，所述第二分支包括若干个卷积块，将所述输入张量依次输入所述卷积块中进行处理，得到所述第二分支的输出张量。
[0028]在本专利技术的一实施方式中，所述卷积块的处理步骤如下：
[0029]将所述输入张量先进行1
×
1卷积，再进行1个3
×
3深度可分离卷积，然后进行1个1
×
1卷积，最后进行神经元随机失活，得到所述第二分支的输出张量。
[0030]在本专利技术的一实施方式中，所述类别分类包括将所述特征提取的输出张量采用随机森林分类算法进行类别分类，生成多个类别，并采用投票的方式投出最多票数的类别为最终类别。
[0031]在本专利技术的一实施方式中，所述随机森林算法的具体步骤如下：
[0032]对所述特征提取的输出张量进行N次有放回的采样，形成N个样本，所述N为收集人体乳腺部分的电阻率数据的个数；
[0033]所述每个样本中含有M个属性，随机抽取m个属性进行分类，其中m＜＜M；
[0034]将所述m个属性按照从小到大递增排列，通过计算信息熵和最终信息增益，选出所述m个属性中最终信息增益最大的属性作为最终分裂点；
[0035]对所述最终分裂点进行分裂，并针对所述最终分裂点的分裂结果进行预测标记，根据投票法上选出得票数最高的标记，并输出此标记结果；
[0036]其中，所述信息熵的计算公式如下：
[0037][0038][0039]公式中m表示作为分裂属性节点的所有样本同一属性值，avg(m
i
，m
j
)表示对进行从小到大排序后相邻的两个属性值求均值，N
y
表示样本标签y等于相应值时的数量，p
y
表示样本标签y等于相应值时的概率；
[0040]所述最终信息增益的计算公式如下：
[0041][0042]公式中D是训练的样本空间，|D|表示训练样本个数，表示训练样本中相应属性值大于分裂属本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的乳腺采样数据的处理方法，其特征在于，包括以下步骤：根据待检测病人体外激励频率收集人体乳腺部分的电阻率数据；将所述输入数据输入文本分类模型中，其中所述文本分类模型包括特征提取部分和类别分类部分，所述输入数据依次进行特征提取和类别分类；所述输入数据经过文本分类模型后输出，判断输出数据是否出现异常。2.根据权利要求1所述的一种基于人工智能的乳腺采样数据的处理方法，其特征在于，所述特征提取部分为伪孪生的特征提取网络，所述伪孪生特征提取网络包括第一分支、第二分支、第一全连接层和第二全连接层，具体步骤如下：将所述输入数据分别输入第一分支和第二分支进行特征提取，得到第一分支的输出张量和第二分支的输出张量；将所述第一分支输出张量和第二分支输出张量合并，得到第三输出张量，对所述第三输出张量进行降维处理，得到第四输出张量；将所述第四输出张量依次进行第一全连接层和第二全连接层操作，得到特征提取的输出张量。3.根据权利要求2所述的一种基于人工智能的乳腺采样数据的处理方法，其特征在于，所述第一分支是基于transformer结构的特征提取，所述第一分支的特征提取包括：所述输入数据依次通过5个transformer层，再经过1个5
×
5深度可分离卷积，得到所述第一分支的输出张量。4.根据权利要求3所述的一种基于人工智能的乳腺采样数据的处理方法，其特征在于，所述transformer层的具体操作如下：将所述输入数据先经过多头注意机制子层，得到第一输出张量；将所述第一输出张量进行线性变化，并使用sigmoid激活函数进行激活，得到所述多头注意机制的输出张量；将所述多头注意机制的输出张量进行神经元随机失活，得到第二输出张量；将所述第二输出张量与所述输入数据张量相加，得到transformer层第一部分输出张量；将所述transformer层第一部分输出张量进入前馈全连接层进行处理，并对所述前馈全连接层的输出张量进行神经元随机失活，得到所述transformer层第二部分输出张量；其中前馈全连接层包括第一全连接子层和第二全连接子层；将所述transformer第一部分输出张量和所述transformer层第二部分输出张量相加，得到transformer层的输出张量。5.根据权利要求4所述的一种基于人工智能的乳腺采样数据的处理方法，其特征在于，将所述transformer层第一部分输出张量进入前馈全连接层进行处理包括：将所述transformer层第一部分输出张量进入第一全连接子层进行全连接层操作，并使用Relu函数进行激活；将激活后的第一全连接子层输出张量进行神经元...

【专利技术属性】
技术研发人员：胡钦勇，燕自保，袁静萍，
申请(专利权)人：武汉中数医疗科技有限公司，
类型：发明
国别省市：