一种基于人工智能的甲状腺采样数据识别方法技术

本发明专利技术公开了一种基于人工智能的甲状腺采样数据识别方法，包括：使用生物电阻抗信息收集平台采集在不同频率激励源频率下待检测病人甲状腺位置上的电阻率值，对采样数据进行预处理后输入甲状腺识别模型中，其中甲状腺识别模型的网络结构包括了三个部分：特征提取部，特征融合部和结果输出部。将待测对象采样数据输入甲状腺识别模型中，最终输出模型预测待测对象是否存在甲状腺异常；该识别方法无需进行医学成像，只需分析数据的内在特征就可以识别待测对象甲状腺状况，可以极大的简化检测流程。流程。流程。

【技术实现步骤摘要】
一种基于人工智能的甲状腺采样数据识别方法


[0001]本专利技术涉及医疗智能识别
，具体地涉及一种基于人工智能的甲状腺采样数据识别方法。

技术介绍

[0002]甲状腺结节是指在甲状腺内的肿瘤，鉴于甲状腺结节的高发病率，如能首先通过非手术方式识别出尽可能多的甲状腺肿瘤，则可大幅度减少不必要的诊断性手术数量，既可减少手术给病人带来的损伤，又可更合理地应用有限的医疗资源。
[0003]在医疗诊断方面可通过对被测对象进行高清成像，发现人体中的病变组织，替代外科手术诊断的方式，极大减少了对人体不必要的伤害和减轻手术带来的痛苦，但是目前临床上常用的医学成像技术如电子计算机断层扫描，成像精度较高、性能稳定，但具有电离辐射危害，会对人体组织造成一定程度的损伤；核磁共振成像和超声技术虽然对没有放射性对人体组织造成损伤，且此两种技术由于忽略了超声波与人体组织间的相互作用，过滤了许多有用信息，因而在清晰度、分辨率以及准确性等方面存在一定问题。
[0004]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在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。
[0005]鉴于电阻抗断层成像技术的优势以及其在成像方面的问题，有必要提供一种无需成像处理即可简单准确识别甲状腺采样数据的方法。

技术实现思路

[0006]针对现用技术的以上缺陷或者改进需求，本专利技术提供了一种基于人工智能的甲状腺采样数据识别方法，其使用生物电阻抗测量技术获得采样数据，并对数据进行有效的提取、融合，有效避免了电阻抗断层成像技术成像效果不理想的弊端，实现无需成像即可对采样数据进行识别，极大简化了诊断流程，且准确性高。
[0007]根据本专利技术的实施方案，提供了一种基于人工智能的甲状腺采样数据识别方法，包括以下步骤：
[0008]步骤1，使用生物电阻抗断层前端采集平台，对待测对象颈前部施加激励源，获取待测对象在不同激励条件下的采样数据；
[0009]步骤2，将所述采样数据进行预处理获得数据集，将所述数据集送入甲状腺识别模型中，其中所述甲状腺识别模型包括特征提取部、特征融合部以及结果输出部；
[0010]步骤3，根据甲状腺识别模型结果输出部的输出，识别所述采样数据是否超出预设
范围。
[0011]进一步地，步骤2中所述的预处理步骤为：采样数据包括激励源的频率和所述激励源的频率对应的电阻率，将所述采样数据进行类型转换，并以词嵌入的方式转换为二维数据，最后采用维度映射的方式将所述二维数据转换为三维数据，即形成所述数据集。
[0012]进一步地，步骤2中所述特征提取部包括4个transformer块，特征融合部包括3个卷积块，结构输出部包括2个全连接层和1个softmax层。
[0013]进一步地，所述特征提取部中每个transformer块均包括两个transformer层，第一个transformer层为在原有transformer层的第一个规范化子层后加上一个全局最大池化层，且该transformer层中无特征加和操作；第二个transformer层保持原有transformer层结构不变。
[0014]进一步地，所述transformer块的具体操作如下：张量输入transformer块后，进入第一个transformer层先经过一个多头注意机制子层和规范化子层，输出注意张量，然后进行全局最大池化得到第一个维度不变，后面两个维度都为1的第一个维度方式的权重张量，将注意张量与权重张量相乘，得到关注样本维度张量；然后进行神经元随机失活操作得到第一个transformer层第一部分的输出张量；
[0015]将第一个transformer层第一部分的输出张量的后两维合并为1维，进行两次全连接操作：其中，第一次全连接操作是将最后一维的神经元个数变为原来的1/16，然后进行第二次全连接操作，将最后一维神经元个数还原回原来的数量，张量维度还原回进行第一次全连接操作之前的维度；
[0016]然后再进行神经元随机失活操作，得到第一个transformer层的输出张量；
[0017]第二个transformer层的输入是第一个transformer层的输出张量，进入第二个transformer层先经过一个多头注意机制子层和规范化子层，然后进行神经元随机失活，将得到的张量与第一个transformer层的输出张量相加，得到第二个transformer层第一部分的输出张量；
[0018]将第二个transformer层第一部分的输出张量的后两维合并为1维，进行两次全连接操作：其中，第一次全连接操作将最后一维的神经元个数变为原来的1/16，然后进行第二次全连接操作，将最后一维神经元个数还原回原来的数量，张量维度还原回进行第一次全连接操作之前的维度；
[0019]然后在进行神经元随机失活操作输出一个张量；将这个张量与第二个transformer层第一部分的输出张量相加得到最终该transformer块的输出张量。
[0020]进一步地，所述特征融合部中卷积块的具体处理过程如下：
[0021]张量输入卷积块后先进行3
×
3卷积输出第一张量，第一张量的维度大小不变，然后再进行1
×
1最大池化操作，得到第一个维度的大小为1，其他两个维度不变的第二张量；将第二张量与3
×
3卷积输出的第一张量相乘，得到获得更多关注的属性和词嵌入维度的特征张量，再将特征张量与相应的transformer块输出张量进行拼接，对拼接后的张量进行1
×
1卷积，将拼接后的张量的第一维还原回输入卷积块时的维度大小，其他两个维度不变，得到卷积块的输出结果。
[0022]进一步地，所述甲状腺识别模型的具体操作如下：
[0023]将进行维度映射后的数据集输入甲状腺识别模型中依次通过特征提取部，特征融
合部和结果输出部；
[0024]首先，数据集被送入特征提取部中第一个transformer块得到一个输出张量，接着第二个transformer块的输入是第一个transformer块的输出张量，通过第二个transformer块得到第二个transformer块的输出张量，然后第3个和第4个transformer块进行相同的操作，得到相应输出张量，其中每一个transformer块的输出张量与输入张量的维度始终相同；
[0025]然后，进入特征融合部，其中第1个卷积块的输入是第4个transformer块的输出张量，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甲状腺采样数据识别方法，其特征在于，包括以下步骤：步骤1，使用生物电阻抗断层前端采集平台，对待测对象颈前部施加激励源，获取待测对象在不同激励条件下的采样数据；步骤2，将所述采样数据进行预处理获得数据集，将所述数据集送入甲状腺识别模型中，其中所述甲状腺识别模型包括特征提取部、特征融合部以及结果输出部；步骤3，根据甲状腺识别模型结果输出部的输出，识别所述采样数据是否超出预设范围。2.如权利要求1所述的一种基于人工智能的甲状腺采样数据识别方法，其特征在于：步骤2中所述的预处理步骤为：采样数据包括激励源的频率和所述激励源的频率对应的电阻率，将所述采样数据进行类型转换，并以词嵌入的方式转换为二维数据，最后采用维度映射的方式将所述二维数据转换为三维数据，即形成所述数据集。3.如权利要求1所述的一种基于人工智能的甲状腺采样数据识别方法，其特征在于：步骤2中所述特征提取部包括4个transformer块，所述特征融合部包括3个卷积块，所述结构输出部包括2个全连接层和1个softmax层。4.如权利要求3所述的一种基于人工智能的甲状腺采样数据识别方法，其特征在于：所述特征提取部中每个transformer块均包括两个transformer层，第一个transformer层为在原有transformer层的第一个规范化子层后加上一个全局最大池化层，且该transformer层中无特征加和操作；第二个transformer层保持原有transformer层结构不变。5.如权利要求4所述的一种基于人工智能的甲状腺采样数据识别方法，其特征在于：所述transformer块的具体操作如下：张量输入transformer块后，进入第一个transformer层先经过一个多头注意机制子层和规范化子层，输出注意张量，然后进行全局最大池化得到第一个维度不变，后面两个维度都为1的第一个维度方式的权重张量，将注意张量与权重张量相乘，得到关注样本维度张量；然后进行神经元随机失活操作得到第一个transformer层第一部分的输出张量；将第一个transformer层第一部分的输出张量的后两维合并为1维，进行两次全连接操作：其中，第一次全连接操作是将最后一维的神经元个数变为原来的1/16，然后进行第二次全连接操作，将最后一维神经元个数还原回原来的数量，张量维度还原回进行第一次全连接操作之前的维度；然后再进行神经元随机失活操作，得到第一个transformer层的输出张量；第二个transformer层的输入是第一个transformer层的输出张量，进入第二个transformer层先经过一个多头注意机制子层和规范化子层，然后进行神经元随机失活，将得到的张量与第一个transformer层的输出张量相加，得到第二个transformer层第一部分的输出张量；将第二个transformer层第一部分的输出张量的后两维合并为1维，进行两次全连接操作：其中，第一次全连接操作将最后一维的神经元个数变为原来的1/16，然后进行第二次全连接操作，将最后一维神经元个数还原回原来的数量，张量维度还原回进行第一次全连接操作之前的维度；然后在进行神经元随机失活操作输出一个张量；将这个张量与第二个transformer层第一部分的输出张量相加得到最终该transformer块的输出张量。
6.如权利要求3所述的一种基于人工智能的甲状腺采样数据识别方法，其特征在于：所述特征融...

【专利技术属性】
技术研发人员：燕自保，关欣，陈鹏飞，
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：