[發明專利]一種融合深度張量神經網絡的醫學影像數據分析方法和系統

有效

• 申請號: 201710695724.6
• 申請日: 2017-08-15
• 公開（公告）號: CN107622485B
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 曾德威;王書強;王兆哲;陳偉
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G16H30/00
• 分類號: G16H30/00;G06T7/00
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 趙勍毅

本發明屬于計算機應用技術領域，具體涉及醫學影像分析技術領域，特別是一種融合深度張量神經網絡的醫學影像數據分析方法和系統，本發明首先經過張量卷積神經網絡整合醫學圖像內的有效信息，再進入張量遞歸神經網絡，通過對病人歷史醫學影像數據和當前醫學影像數據進行分析，輸出當前醫學影像數據的分析結果和將來時刻醫學影像的分析結果預測，分別用于為醫師提供分析參考和評價病人正在接受的治療方案。本發明引入張量CP分解和張量列分解，相比傳統遞歸神經網絡，張量遞歸神經網絡的參數規模遠遠小于傳統網絡處理相同張量數據時的網絡參數規模。因此能有效提高影像學分析的可靠性和效率，為調整優化治療方案提供依據。

技術領域

本發明屬于計算機應用技術領域，具體涉及醫學影像分析技術領域，特別是一種融合深度張量神經網絡的醫學影像數據分析方法和系統。

背景技術

如發明名稱為深度學習對醫學數據進行分析的方法及其智能分析儀，申請號為201510294286.3的中國發明專利，應用深度學習模型對醫學數據進行分析，輸出相應的病理分析結果。其具體實施方案如下：

采集已備案的同類型的醫學素材數據及與該醫學素材數據匹配的醫學分析數據作為醫學訓練數據通過輸入裝置存儲于計算機中；

所述醫學訓練數據中不小于二維的醫學影像數據與文本數據中隨時間空間的變化值與對應的數據相關聯；

在采集的海量醫學訓練數據中，將與每一個個體對應的醫學訓練數據和所述變化值匯總為一條單元數據；

將所述訓練數據采用分割、關聯或文本數據挖掘方法整合或格式化為計算機可以理解的結構化數據矩陣并從每個單元數據中提取數據特征；

將已形成結構化數據矩陣的醫學訓練數據導入裝置于計算機內對應深度學習模型的存儲模塊中；

通過計算機對所述深度學習模型進行優化計算；

將獲取的已形成結構化矩陣數據的醫學待分析數據導入該深度學習模型中進行與之匹配的醫學病理分析；

由該深度學習模型通過輸出裝置輸出與所述醫學待分析數據相匹配的醫學病理分析結果及疾病發展變化的預測結果。

該現有技術只是把所有能夠獲取的醫療數據冗雜在一起構建矩陣數據，利用卷積神經網絡與相應的診斷記錄匹配起來。這種做法基于最大化信息量的原則進行的。存在大量的重復信息，增加模型的信息搜索負擔，同時冗雜了與模型問題無關的信息，掩蓋內在規律。卷積神經網絡不能夠提取時間維度的信息，存在時間維度的信息，反成了噪聲。

并且通過現有技術可知遞歸神經網絡是一種能夠對時序數據進行顯示建模的神經網絡，而醫學影像一般以2D和3D的矩陣或張量模型存儲表達，規模較大，如MRI圖像每個切片視野為512×512，傳統遞歸神經網絡分析時，采用向量化處理運算，對醫學圖像進行特征提取或其他向量化處理，會在不同程度上破壞醫學圖像特有的空間結構信息及各因素間的內在依賴性，不能充分利用醫學圖像的全部有效信息，模型輸出結果可靠性低，同時傳統遞歸神經網絡中存在大量全連接結構，如輸入層到第一層隱藏層全連，隱層間全連接、隱藏層自身全連接，隱藏層到輸出層全連接，這些全連接結構產生了龐大的權值參數，導致內存代價高，計算復雜度高，效率低等問題。

發明內容

針對以上問題，本發明在只能處理向量數據的傳統遞歸神經網絡進行適當的修改，提供一種融合深度張量神經網絡的醫學影像數據分析方法和系統。

為解決上述技術問題，本發明采用的一個技術方案是：提供一種融合深度張量神經網絡的醫學影像數據分析方法，其特征在于包括如下步驟：

采集已備案待分析疾病的醫學影像數據，建立并實時更新所述待分析疾病的醫學影像數據庫；