[發明專利]一種整形前CT數據測量方法

在審

• 申請號: 201810999512.1
• 申請日: 2018-08-30
• 公開（公告）號: CN109124669A
• 公開（公告）日: 2019-01-04
• 發明（設計）人: 羅恩;王哲
• 申請（專利權）人: 沈陽柏敖生信生物科技有限公司;四川大學
• 主分類號: A61B6/03
• 分類號: A61B6/03
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種整形前CT數據測量方法，包括如下步驟：步驟一，數據采集；步驟二，數據預處理；步驟三，數據長短期記憶網絡處理；步驟四，數據Attention機制處理；步驟五，數據整合；其特征在于：

在所述的步驟一中，在手術前期采用GE light speed plus4層螺旋CT機對整容患者臉部進行冠狀掃描，通過X線束對整容患者臉部進行掃描，探測器接收X線束信號，經光點轉換器、模擬數字轉換器、計算機處理，形成由黑到白不同灰度按矩陣排列的小方塊組成的圖像，再由計算機運用相應的軟件將不同層面的圖像疊加而形成三維圖像，在手術完成后即可再次使用GE light speed plus4層螺旋CT機對患者面部進行探測掃描；

在所述的步驟二中，首先將整容患者的個人特征數據(21維的向量)按照不同的特征進行拆分，可拆分成10個特征(每個個人特征對應特征數據中的1個或幾個測量數據)，并對每個個人特征的維度進行擴充，最后可擴充成10行21列的矩陣，以此為神經網絡的第一個輸入，再將術前與術后即刻的CT測量數據(皆為28維的向量)按照不同的CT指標拆分，可拆分成9個對應的CT指標(每個CT指標依次對應測量數據中的1個或幾個測量數據)，并對每個CT指標的維度進行擴充，最后可把28維的向量擴充成9行28列的矩陣，再將術前與術后即刻的兩個矩陣進行拼接，形成一個9行56列的矩陣，以此為神經網絡的第二個輸入，將6個月之后的CT測量數據(28維的向量)不做更改，作為神經網絡的輸出；

在所述的步驟三中，將預處理后的數據加入長短期記憶網絡(LSTM)中進行處理；

BiLSTM層：考慮到不同CT特征以及不同個人特征之間存在的相關性，我們使用兩個LSTM層分別接收預處理之后的CT數據與個人特征數據，并分別輸出H^CT＝(h₁^CT，h₂^CT，…，h₉^CT)，其中h_i^CT為LSTM在時間步i上的隱層狀態，包含了前i個CT特征的綜合信息；以及個人特征數據H^features＝(h₁^features，h₂^features，…，h₁₀^features)，其中h_i^features也為同樣的隱層狀態，包含了前i個個人特征的綜合信息，BiLSTM的每個輸出h_i^j，為對應的LSTM的前向傳播與反向傳播的輸出的結合，即：

其中||表示連接，L表示LSTM的輸出維度)，模型便充分考慮了CT特征和個人特征各自之間的相互關系；

AveragePooling層：我們使用了平均池化層作用于CT數據對應的LSTM網絡的輸出H^CT＝(h₁^CT，h₂^CT，…，h₉^CT)，對于9個CT指標進行平均池化，得到一個綜合指標：

個人特征CT指標數據：將平均池化層輸出的綜合指標與個人特征數據h_i^features進行連接，得到每個個人特征對于CT指標的作用指標：

(其中||表示連接)

在所述的步驟四中，將數據加入至Attention機制中：

e_i＝tanh(W_hh_i+b_h)，e_i∈[-1，1]

其中，T＝10，為個人特征的數目，W_h和b_h為attention層的權重，隨著訓練過程不斷優化，將更大的權重賦予更重要的個人特征；

輸出層：將Attention層的輸出傳遞給回歸層，最后通過回歸得到6個月后CT指標的預測數據(28維的向量)；

在所述的步驟五中，在本模型中，在輸入中加入了高斯噪聲，高斯噪聲是一種隨機數據增強技術，并使用了dropout機制來在神經網絡中隨機選取一部分神經元使其休眠，還加入了L2正則懲罰項在損失函數中，用來避免權重過大的情況出現，通過最小化最終輸出的MSE的目標來訓練整個神經網絡，并且使用隨機梯度下降算法的反向傳播來達到這個目的，目前得到的樣本，隨機選取了10％的樣本作為驗證集，使用樣本先訓練簡單神經網絡，再將訓練完成的簡單神經網絡中的部分層的權重值作為我們構建好的神經網絡的對應層的權重初始值，由此來加快訓練速度與確保模型收斂。