一种基于深度神经网络的人体组织识别方法及系统技术方案

本发明专利技术公开了一种基于深度神经网络的人体组织识别方法及系统。该方法包括以下步骤：获取神经网络的训练数据；构建深度神经网络；使用训练数据训练深度神经网络，得到网络参数；根据得到的深度网络参数，对人体组织进行分类。该系统包括：数据获取模块；网络构建模块；网络训练模块；组织识别模块。本发明专利技术通过对测量的人体组织生物电阻抗进行学习分类网络，进行人体组织识别，具有良好的识别率，是外科应用的良好选择。应用的良好选择。应用的良好选择。

【技术实现步骤摘要】
一种基于深度神经网络的人体组织识别方法及系统


[0001]本专利技术涉及生物医学成像及机器学习
，特别涉及一种基于深度神经网络的人体组织识别方法及系统。

技术介绍

[0002]生物电阻抗测量(Electrical Bioimpedance Measurement)是一种利用生物组织与器官的电特性及变化规律提取与人体生理、病理状况相关的生物医学信息的测量技术，通过置于体表的电极系统向人体送入测量电流/电压，根据电压与电流之间的关系，得到生物电阻抗。由于不同类型的人体组织(例如脂肪、肌肉、血管等)具有不同的生物电阻抗，因此生物电阻抗可以用于人体组织的识别。但是，人体系统的复杂性使得生物电阻抗测量得到的电阻与人体组织之间不是简单对应的。因此，如何利用生物电阻抗对人体组织进行准确而快速的识别是一个亟待解决的问题。

技术实现思路

[0003]本专利技术旨在至少解决上述技术问题之一。
[0004]为此，本专利技术的一个目的在于提出一种基于深度神经网络的人体组织识别方法，该方法通过对生物电阻抗进行深度学习得到分类网络，进而提高分类准确率和分类速度。
[0005]本专利技术的另一个目的在于提出一种基于深度神经网络的人体组织识别分类系统。
[0006]为实现上述目的，本专利技术第一方面的实施例提出了一种基于深度神经网络的人体组织识别方法，包括以下步骤：获取神经网络的训练数据，所述训练数据包括人体组织与其生物电阻抗；构建深度神经网络；使用训练数据训练深度神经网络，得到网络参数；根据所述网络参数，对待分类的人体组织进行分类。
[0007]另外，根据本专利技术上述实施例的基于深度神经网络的人体组织识别方法，还具有如下附加的技术特征。
[0008]在一些实施例中，所述的获取所述神经网络训练数据，包括：通过测量装置测得人体组织的生物电阻抗得到所述神经网络的训练数据。
[0009]在一些实施例中，所述根据所述网络参数，对待分类的人体组织进行识别，得到分类结果，包括：将测量的待分类的人体组织的生物电阻抗输入所述深度神经网络，得到人体组织类别。
[0010]在一些实施例中，所述训练数据为同一测量装置测得人体组织的生物电阻抗。
[0011]在一些实施例中，所述深度神经网络包括特征抽取层、特征编码层和分类重建层。
[0012]为实现上述目的，本专利技术第二方面的实施例提出了一种基于深度神经网络的人体组织识别分类系统，包括以下模块：数据获取模块，用于获取所述神经网络训练数据，所述训练数据包括人体组织与其生物电阻抗；网络构建模块，用于构建深度神经网络；网络训练模块，用于使用所述训练数据训练所述神经网络，得到网络参数；组织识别模块，用于根据所述网络参数，对待分类的人体组织进行识别，得到分类结果。
[0013]另外，根据本专利技术上述实施例的基于深度神经网络的人体组织识别分类系统，还具有如下附加的技术特征。
[0014]在一些实施例中，所述数据获取模块包括置于体表的电极系统，所述电极系统向待测量的人体组织送入测量电流/电压，进而得到相应的生物电阻抗。
[0015]在一些实施例中，所述网络构建模块对深度神经网络进行构建。
[0016]在一些实施例中，所述网络训练模块采用所述数据获取模块的生物电阻抗测量值对深度神经网络参数进行训练。
[0017]在一些实施例中，所述组织识别模块将所述需要待分类的人体组织的生物电阻抗放入所述神经网络，以得到人体组织类别。
[0018]在一些实施例中，所述训练数据为同一所述数据获取模块采集到的生物电阻抗。
[0019]在一些实施例中，所述深度神经网络包括特征抽取层、特征编码层和分类重建层。
[0020]本专利技术提供的技术方案的有益效果是：
[0021]本专利技术提供了一种基于深度神经网络的人体组织识别方法及系统，设计了深度神经网络的结构，使其能够通过同一测量装置测得人体的生物电阻抗，训练网络参数，使得训练后的神经网络进行人体组织识别。此外，该方法及系统的识别准确率高，占有资源少，是外科应用的良好选择。
附图说明
[0022]图1为本专利技术实施例提供的一种基于深度神经网络的人体组织识别方法的流程图；
[0023]图2为本专利技术实施例提供的深度神经网络结构图；
[0024]图3为本专利技术实施例提供的深度神经网络训练过程示意图。
[0025]图4为本专利技术实施例提供的一种基于深度神经网络的人体组织识别系统的结构框图。
具体实施方式
[0026]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0027]图1为本专利技术实施例提供的基于深度神经网络的人体组织识别方法的流程图。可以看出，该方法包括以下步骤：
[0028]步骤101：获取神经网络训练数据，所述训练数据包括人体组织与其生物电阻抗；
[0029]步骤102：构建深度神经网络；
[0030]步骤103：使用训练数据训练深度神经网络，得到网络参数；
[0031]步骤104：根据训练得到的网络参数，对人体组织进行识别，得到分类结果。
[0032]具体地，在步骤101中，训练数据为同一所述数据获取模块采集到的生物电阻抗。
[0033]具体地，在步骤104中，根据训练得到的网络参数，对人体组织进行识别，得到分类结果，包括：将测量的待分类的人体组织的生物电阻抗放入所述训练的神经网络，以得到人体组织类别。
[0034]图2为本专利技术实施例提供的深度神经网络结构图。深度学习是近年来机器学习领
域的热点技术之一，是利用计算机根据已知数据建立某种数学模型，并且用该数学模型对未知数据进行分析的一种方法。深度学习采用深度神经网络进行处理。深度神经网络由输入层[201]、隐层[202]和输出层[203]构成，并且通常包括多个隐层，对原始信号采用逐层特征变换的方法，将输入信号的初始特征表示逐层变换到新的特征空间，得到层次化的特征表示，从而更有利于特征分类。神经元[204]是深度神经网络的运算单位，它将上一层每个神经元的输出作为输入，通过激活函数运算之后的结果作为神经元的输出。层与层之间的神经元相互连接，形成神经网络。每层神经元的输出作为下层神经元的输入传播的步骤称之为前向传播过程，此过程得到的结果便是神经网络数据处理的最终结果。网络训练过程是指求取神经网络函数各项参数的过程，通过将训练数据前向传播的结果与已知标签的代价函数进行计算，利用反向传播算法优化网络参数，使得代价函数获得最小值，得到的最终结果使神经网络最优，从而完成训练过程。
[0035]在本专利技术中的一个实施例中，神经网络包括特征抽取层、特征编码层和分类重建层。具体地，特征抽取层将输入的人体组织生物电阻抗进行特征抽取，将特征信息突出显示；特征编码层将突出显示的特征信息进行编码；分类重建层将所得到的编码特征进行分类，得到M类标签，对应于不同的人体组织类别(例如脂肪、肌肉、血管等)。需要说明的是，神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的人体组织识别方法，其特征在于，包括以下步骤：获取神经网络训练数据，所述训练数据包括人体组织与其生物电阻抗；构建深度神经网络；使用所述训练数据训练深度神经网络，得到网络参数；根据所述网络参数，对待分类的人体组织进行识别，得到分类结果。2.根据权利要求1所述的方法，其特征在于，所述获取神经网络训练数据，包括：通过测量装置测得人体组织的生物电阻抗得到所述神经网络的训练数据。3.根据权利要求2所述的方法，其特征还在于，所述训练数据为同一测量装置测得人体组织的生物电阻抗。4.根据权利要求1所述的方法，其特征在于，所述根据所述网络参数，对待分类的人体组织进行识别，得到分类结果，包括：将测量的待分类的人体组织的生物电阻抗输入所述深度神经网络，得到人体组织类别。5.根据权利要求1至4中任意一项所述的方法，其特征还在于，所述神经网络包括特征抽取层、特征编码层和分类重建层，特征抽取层将输入的人体组织生物电阻抗进行特征抽取，将特征信息突出显示；特征编码层将突出显示的特征信息进行编码；分类重建层将所得到的编码特征进行分类，得到M类标签，对应于不同的人体组织类别。6.一种基于深度神经网络的人体组织识别...

【专利技术属性】
技术研发人员：唐永忠，欧阳文，廖琴，乐园，张浩，
申请(专利权)人：中南大学湘雅三医院，
类型：发明
国别省市：