System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及乳腺癌检测,尤其涉及一种基于生物电阻抗分析法的乳腺癌检测方法。
技术介绍
1、乳腺癌是妇女癌症发病率和死亡率最高的癌症之一,早期的乳腺癌检测对于提高患者的生存率和治疗效果非常重要。传统的乳腺癌检测方法存在创伤,辐射暴露,费用高昂的缺点,而基于生物电阻抗技术的检测方法为乳腺癌检测提供了新的解决方案。
2、深度学习技术的快速发展也为乳腺癌检测带来了新的突破,在乳腺癌检测中,深度学习可以用于分析生物电信号数据,并提供高度准确的乳腺癌诊断结果,生物电阻抗技术和深度学习技术的结合为乳腺癌检测提供了无创,实时性和低成本的特点。
3、在现有技术中,公开号为cn115018820a的中国专利公开了“基于纹理加强的乳腺癌多分类方法”,该方法通过纹理加强技术提取乳腺癌组织病理图像中不同亚型的辨别性特征,从而改善乳腺癌组织的异质性问题。但是该方法主要依赖于纹理特征的提取和加强,无法充分利用其他类型的特征。
4、因此,亟待设计一种基于生物电阻抗分析法的乳腺癌检测方法,解决上述现有技术存在的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于生物电阻抗分析法的乳腺癌检测方法,本专利技术利用生物电阻抗分析法获取乳腺组织的电信号数据,通过多维特征提取网络模块对数据进行分类,同时通过设计分割机制和通道合成网络模块,能够提高数据的有效性和丰富性,进一步提升乳腺癌检测的准确性和可靠性。
2、为了实现上述目的,本专利技术采用了如下技术方案:
4、s1:利用多频生物电阻抗分析仪获取乳腺组织的正常和恶性样本的电信号数据;所述电信号数据包括频率、电阻、电抗、电容、相位角和电导率数据;
5、s2:设计分割机制提取有效频率范围内的单通道电信号数据;
6、s3:设计通道合成网络模块将单通道电信号数据转换为三通道电信号数据;
7、s4:将单通道电信号数据和三通道电信号数据送入多维特征提取网络模块进行检测。
8、作为本申请一实施例,所述步骤s2具体包括:
9、s21:计算每个子频段的响应矩阵;
10、s22:计算每个子频段响应分数score和筛选电信号数据。
11、作为本申请一实施例,所述步骤s21具体包括:
12、s211:将多频生物电阻抗分析仪的频率范围分割为n个子频段;
13、s212:对于每个子频段的电信号数据矩阵的每个元素进行处理;
14、s213:对所述电信号数据矩阵的每个元素,计算响应矩阵的对应元素,其计算公式如下:
15、
16、其中,表示电信号数据矩阵和响应矩阵的行数,表示电信号数据矩阵和响应矩阵的列数;表示电信号数据矩阵第列的均值;表示电信号数据矩阵第列的标准差;表示电信号数据矩阵的第行,第列的数值;表示响应矩阵的第行,第列的数值。
17、作为本申请一实施例,所述步骤s22具体包括:
18、s221:将矩阵转化为长度为的一维矩阵f;其计算公式如下:
19、
20、其中,表示扁平化操作,用于将多维矩阵转换为一维矩阵;
21、s222:得出每个子频段的响应分数,其计算公式如下:
22、
23、其中,表示一维矩阵的第个元素;表示一维矩阵的最小值;表示一维矩阵的最大值;
24、s223:设定响应阈值,将所有响应分数大于阈值的子频段电信号数据组成单通道电信号数据。
25、作为本申请一实施例,所述步骤s3具体包括:
26、s31:利用通道合成网络模块计算第一,二,三通道合成注意力机制,其计算公式如下:
27、
28、
29、
30、其中,表示激活函数;表示全连接层;表示全局平均池化操作;表示一维卷积;表示第一,二,三通道合成注意力机制卷积核的大小;
31、s32:将单通道电信号数据转换为第一,二,三通道数据;
32、第一,二,三通道数据的计算公式如下:
33、
34、
35、
36、将第一,二,三通道数据拼接成三通道电信号数据,其计算公式如下:
37、
38、其中,表示通道拼接操作。
39、作为本申请一实施例,所述步骤s4具体包括:
40、s41:将单通道电信号数据送入单通道特征提取层得到矩阵,将三通道电信号数据送入三通道特征提取层得到矩阵;
41、s42:所述矩阵经过单通道注意力层得到矩阵,所述矩阵经过三通道注意力层得到矩阵,将矩阵和矩阵进行特征融合得到矩阵;
42、s43:所述矩阵经过第一编码层得到矩阵,矩阵再经过第二编码层得到矩阵;
43、s44:所述矩阵经过残差层进行进一步的特征提取和处理;
44、s45:最后,通过全连接层和softmax层得到最终的检测结果。
45、作为本申请一实施例,所述单通道特征提取层包括1×1、3×3、5×5一维卷积,归一化层,relu激活函数和最大池化层;
46、所述三通道特征提取层包括3×3、5×5、7×7二维卷积,归一化层,relu激活函数,最大池化层。
47、作为本申请一实施例,步骤s42具体包括:
48、s421:所述矩阵经过单通道注意力层得到矩阵,所述单通道注意力层包括1×1一维卷积、单通道注意力机制、relu激活函数;所述单通道注意力机制的计算公式如下:
49、
50、其中,表示单通道注意力机制的权重;表示激活函数;表示单通道注意力机制的输入;表示一维卷积;表示自适应平均池化;表示最大池化;表示计算平均值;
51、单通道注意力机制的输出矩阵的计算公式如下:
52、
53、其中,表示单通道注意力机制的输出,表示偏置项;
54、s422:将矩阵送入三通道注意力层得到矩阵;所述三通道注意力层包括1×1二维卷积,三通道注意力机制,relu激活函数;
55、三通道注意力机制的公式如下:
56、
57、其中,表示三通道注意力机制的权重;表示激活函数;表示三通道注意力机制的输入;表示二维卷积;表示自适应平均池化;表示最大池化;
58、三通道注意力机制的输出矩阵的计算公式如下:
59、
60、s423:将矩阵和矩阵进行特征融合得到矩阵。
61、作为本申请一实施例,所述步骤s43具体包括:
62、s431:所述矩阵经过第一编码层得到矩阵,所述第一编码层的计算公式如下:
63、
64、其中,表示第一层编码层的输出;表示的通道数;表示的高;表示的宽;
<本文档来自技高网...【技术保护点】
1.一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S2具体包括:
3.根据权利要求2所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S21具体包括:
4.根据权利要求2所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S22具体包括:
5.根据权利要求1所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S3具体包括:
6.根据权利要求1所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S4具体包括:
7.根据权利要求6所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于:
8.根据权利要求6所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,步骤S42具体包括:
9.根据权利要求6所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤S43具体包括:
10.
...【技术特征摘要】
1.一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤s2具体包括:
3.根据权利要求2所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤s21具体包括:
4.根据权利要求2所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤s22具体包括:
5.根据权利要求1所述的一种基于生物电阻抗分析法的乳腺癌检测方法,其特征在于,所述步骤s3具体...
【专利技术属性】
技术研发人员:余锋,肖智勇,姜明华,饶忠睿,刘莉,周昌龙,宋坤芳,
申请(专利权)人:武汉纺织大学,
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。