一种基于机器学习的乳腺采样数据处理方法技术

本申请公开了一种基于机器学习的乳腺采样数据处理方法，包括以下步骤：对待测病人的乳腺部分施加体外激励源，收集所述待测病人的电阻率数据；对所述电阻率数据进行预处理，得到对应的四维输入数据；将所述输入数据输入特征提取网络中，得到所述特征提取网络输出张量；将所述特征提取网络输出张量使用Adaboost算法进行分类，输出分类后的结果，根据输出结果判断所述电阻率数据是否异常。本申请的特征提取网络对输入数据进行处理和特征提取，并对处理后的数据进行分类，判断数据是否出现异常，为医生的判断提供有效数据支撑，提高判断的准确度。的准确度。的准确度。

【技术实现步骤摘要】
一种基于机器学习的乳腺采样数据处理方法


[0001]本专利技术涉及文本分类领域，具体为一种基于机器学习的乳腺采样数据处理方法。

技术介绍

[0002]许多疾病通过简单的检查是看不出来的，这样疾病就不能得到及时的诊断和救治，将会影响到人体的健康和生命安全。图像临床检测手段，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，无法进行实时成像监测。
[0003]国内外研究表明人体上不同器官组织的电导率不同，出现生理病变时电导率与正常组织的电导率也不同。对人体待测区施加安全的激励源，人体内部电导率分布的变化，将会引起待测表面电位的变化，通过联立电位变化、输入激励和电导率分布的关系，使用一定的算法对这些关系进行求解，最终，根据所求的电导率分布进行图像重构，这种成像技术被称为电阻抗断层成像技术。这种技术对人体损伤较小，成本也比较低廉，并且可以进行实时观测，在医护监测领域中具有很好的前景，但是目前的分辨率还有很大的提升空间。
[0004]公开号为CN202210153549的中国专利公开了“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，根据支持向量机理论、通过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，而且并没有减少病人检测的流程。
[0005]因此，寻找一种能够提高乳腺分类识别准确率，为医生判断提供有效数据支撑以及数据获取流程复杂度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机器学习的乳腺采样数据处理方法，其特征在于，包括以下步骤：
[0007]对待测病人的乳腺部分施加体外激励源，收集所述待测病人的电阻率数据；
[0008]对所述电阻率数据进行预处理，得到对应的四维输入数据；
[0009]将所述输入数据输入特征提取网络中，得到所述特征提取网络输出张量；其中，所述特征提取网络包括特征加和单元以及前馈神经单元，所述输入数据依次通过所述特征加和单元和前馈神经单元进行特征提取；
[0010]将所述特征提取网络输出张量使用Adaboost算法进行分类，输出分类后的结果，根据输出结果判断所述电阻率数据是否异常。
[0011]在本专利技术的一实施方式中，所述特征加和单元包括第一特征加和模块、第二特征加和模块以及第三特征加和模块，其中，所述第一特征加和模块与所述第三特征加和模块相同，所述特征提取网络的具体操作步骤如下：
[0012]将所述输入数据依次输入所述第一特征加和模块、第二特征加和模块以及第三特征加和模块中进行处理，得到特征加和单元输出张量；
[0013]将所述特征加和单元输出张量输入前馈神经单元中进行处理，得到特征提取网络输出张量；其中，前馈神经单元包括第三全连接子层和第四全连接子层。
[0014]在本专利技术的一实施方式中，所述第一特征加和模块的具体操作步骤如下：
[0015]将所述输入数据的张量先经过一个transformer层；
[0016]将所述transformer层输出张量进行1个3
×
3深度可分离卷积，得到卷积后的输出张量；
[0017]将所述卷积后的输出张量与所述输入数据的张量进行对应位置相加，得到所述第一特征加和模块输出张量。
[0018]在本专利技术的一实施方式中，所述transformer层的具体操作包括：
[0019]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；
[0020]将所述第一输出张量进行线性变化，得到多头注意机制的输出张量；
[0021]将所述多头注意机制的输出张量输入规范化子层中进行计算，得到第二输出张量；其中，规范化子层的计算公式如下：
[0022][0023]x代表输入到规范化子层的张量，x_mean代表对x的词嵌入维度求均值，x_std代表对x的词嵌入维度求标准差，防止std为0加上一个0.05；
[0024]将所述第二输出张量进行神经元随机失活，得到第三输出张量；
[0025]将所述第三输出张量与所述输入数据的张量进行相加，得到transformer层的第一部分输出张量；
[0026]将所述transformer层的第一部分输出张量依次输入前馈全连接层和规范化层中进行处理，得到第四输出张量，并对所述第四输出张量进行神经元随机失活，得到transformer层的第二部分输出张量；
[0027]将所述transformer层的第一部分输出张量和transformer层的第二部分输出张量相加，得到transformer层输出张量。
[0028]在本专利技术的一实施方式中，所述transformer层的第一部分输出张量依次输入前馈全连接层和规范化层中进行处理包括：
[0029]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；
[0030]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；
[0031]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，得到所述前馈全连接层的输出张量；
[0032]将所述前馈全连接层的输出张量输入规范化层中进行规范化处理，得到第四输出张量。
[0033]在本专利技术的一实施方式中，所述第二特征加和模块的具体操作步骤如下：
[0034]将所述第一特征加和模块输出张量输入第二特征加和模块中，先经过一个transformer层进行处理，得到第五输出张量；
[0035]将所述第五输出张量进行1次3
×
3深度可分离卷积，得到第六输出张量；
[0036]将所述第六输出张量与所述第一特征加和模块输出张量进行对应位置相加，再进行1次3
×
3深度可分离卷积，得到第二特征加和模块输出张量。
[0037]在本专利技术的一实施方式中，所述前馈神经单元的具体操作如下：
[0038]将所述特征加和模块输出张量经过一个transformer层进行处理，得到第一输入张量；
[0039]保持所述第一输入张量中前两个维度大小不变，合并后两个维度，得到第七输出张量；
[0040]将所述第七输出张量输入第三全连接子层进行全连接层操作，将全连接层操作后张量的神经元数据缩小为原来的一半，得到第八输出张量；
[0041]将所述第八输出张量输入第四全连接子层进行全连接层操作，将全连接层操作后张量的神经元数量变换成所述电阻率数据中神经元的个数，得到特征提取网络输出张量。
[0042]在本专利技术的一实施方式中，将所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的乳腺采样数据处理方法，其特征在于，包括以下步骤：对待测病人的乳腺部分施加体外激励源，收集所述待测病人的电阻率数据；对所述电阻率数据进行预处理，得到对应的四维输入数据；将所述输入数据输入特征提取网络中，得到所述特征提取网络输出张量；其中，所述特征提取网络包括特征加和单元以及前馈神经单元，所述输入数据依次通过所述特征加和单元和前馈神经单元进行特征提取；将所述特征提取网络输出张量使用Adaboost算法进行分类，输出分类后的结果，根据输出结果判断所述电阻率数据是否异常。2.根据权利要求1所述的一种基于机器学习的乳腺采样数据处理方法，其特征在于，所述特征加和单元包括第一特征加和模块、第二特征加和模块以及第三特征加和模块，其中，所述第一特征加和模块与所述第三特征加和模块相同，所述特征提取网络的具体操作步骤如下：将所述输入数据依次输入所述第一特征加和模块、第二特征加和模块以及第三特征加和模块中进行处理，得到特征加和单元输出张量；将所述特征加和单元输出张量输入前馈神经单元中进行处理，得到特征提取网络输出张量；其中，前馈神经单元包括第三全连接子层和第四全连接子层。3.根据权利要求2所述的一种基于机器学习的乳腺采样数据处理方法，其特征在于，所述第一特征加和模块的具体操作步骤如下：将所述输入数据的张量先经过一个transformer层；将所述transformer层输出张量进行1个3
×
3深度可分离卷积，得到卷积后的输出张量；将所述卷积后的输出张量与所述输入数据的张量进行对应位置相加，得到所述第一特征加和模块输出张量。4.根据权利要求3所述的一种基于机器学习的乳腺采样数据处理方法，其特征在于，所述transformer层的具体操作包括：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，得到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输入规范化子层中进行计算，得到第二输出张量；其中，规范化子层的计算公式如下：x代表输入到规范化子层的张量，x_mean代表对x的词嵌入维度求均值，x_std代表对x的词嵌入维度求标准差，防止std为0加上一个0.05；将所述第二输出张量进行神经元随机失活，得到第三输出张量；将所述第三输出张量与所述输入数据的张量进行相加，得到transformer层的第一部分输出张量；将所述transformer层的第一部分输出张量依次输入前馈全连接层和规范化层中进行处理，得到第四输出张量，并对所述第四输出张量进行神经元随机失活，得到transformer层的第二部分输出张量；
将所述transformer层的第一部分输出张量和transformer层的第二部分输出张量相加，得到transformer层输出张量。5.根据权利要求4所述的一种基于机器学习的乳腺采样数据处理...

【专利技术属性】
技术研发人员：肖家波，张剑，张维，
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：