技术新讯 > 医药医疗技术的改进,医疗器械制造及应用技术 > 基于人工智能的宫颈癌诊断增强系统  >  正文

基于人工智能的宫颈癌诊断增强系统

  • 国知局
  • 2024-11-06 15:06:36

本发明属于宫颈癌智能诊断,具体为基于人工智能的宫颈癌诊断增强系统。

背景技术:

1、基于人工智能的宫颈癌诊断增强系统是一种利用深度学习和数据分析技术,通过对宫颈细胞图像的自动识别和分类,提高宫颈癌早期诊断的准确性和效率。该系统能够处理大量医疗数据,分析病理图像,识别潜在的癌变病灶,辅助医生在诊断过程中做出更为准确的判断。同时,它还可以通过持续学习优化算法,提高诊断能力,降低漏诊率,为女性健康提供更为可靠的保障。

2、但是,在已有的宫颈癌诊断系统中,存在着图像分析是宫颈癌诊断过程中重要的辅助过程,而现有技术在针对宫颈癌诊断的分析过程中使用单一的模型去进行特征分析,难以兼顾细胞层面的细粒度特征和病变大体区域的宏观特征两种需求不同的特征的技术问题;在已有的宫颈癌诊断系统中,存在着单一的图像数据分析在面对复杂多样的病症特征可能无法充分反应宫颈癌诊断过程所需要的信息,而现有技术对于图像特征和就诊信息特征的结合存在较大的改进空间的技术问题;在已有的宫颈癌诊断系统中,存在着宫颈癌阶段分级作为一项复杂的自动化任务,依赖图像处理、数据处理和多任务训练的结果,而已有技术对于宫颈癌阶段分级的结果可用性和可解释性都较低,且对混合特征的处理能力也较差的技术问题;在已有的宫颈癌诊断系统中,存在着传统的宫颈癌诊断系统集成性较高,提升了系统的整体维护难度,也降低了不同功能模块之间的相对独立性的技术问题。

技术实现思路

1、针对上述情况,为克服现有技术的缺陷,本发明提供了基于人工智能的宫颈癌诊断增强系统,创造性地采用结合图像增强生成的视觉变压卷积双路径模型,进行图像分析增强,通过生成对抗网络辅助数据生成优化图像分析的准备过程,再通过卷积路径和视觉变压器路径两种分析路径分别优化细粒度特征和宏观特征的提取能力,提升并增强了图像分析的能力,为后续的宫颈癌诊断流程优化提供了良好的数据支持;创造性地采用特征选择和主成分分析的方法进行数据融合处理,通过融合就诊特征和图像特征,为后续最终宫颈癌阶段自动分类提供了较好的特征数据源;创造性地采用结合模态分解和混合搜索算法的双向门控循环模型进行宫颈癌阶段自动分级,通过模态分解将融合特征依据宫颈癌诊断的需要进行明确的序列化分解,并通过混合搜索算法和双向门控循环单元进行时序数据的优化处理,提升了系统整体的功能自动性、智能性和可用性,也为宫颈癌诊断增强拓宽了实践的方向和渠道;创造性地采用图像分析、数据融合和阶段分级三种模块独立设计的方法进行系统模块设计,每个模块既可以作为单独的功能进行使用和输出阶段性数据结果,也可以进行集成使用优化整体自动性,增强了宫颈癌诊断系统的整体可用性和应用泛用性。

2、本发明采取的技术方案如下:本发明提供的基于人工智能的宫颈癌诊断增强系统,包括数据收集模块、图像分析增强模块、数据融合处理模块、诊断流程优化模块和综合分析模块;

3、所述数据收集模块,用于收集宫颈癌诊断增强所需的原始数据集,通过数据收集,得到宫颈癌诊断原始数据集,并将所述宫颈癌诊断原始数据集发送至图像分析增强模块和数据融合处理模块;

4、所述图像分析增强模块,用于处理并分析宫颈癌诊断原始图像数据,通过图像分析增强,得到宫颈癌图像分析数据,并将所述宫颈癌图像分析数据发送至数据融合处理模块和综合分析模块;

5、所述数据融合处理模块,用于将图像分析的结果和诊断过程数据进行融合,通过数据融合处理,得到宫颈癌诊断融合数据集,并将所述宫颈癌诊断融合数据集发送至诊断流程优化模块;

6、所述诊断流程优化模块,用于对不同的宫颈癌癌症阶段进行自动分级,通过诊断流程优化,得到宫颈癌诊断明细数据,并将所述宫颈癌诊断明细数据发送至辅助反馈模块;

7、所述综合分析模块,用于结合图像分析和诊断优化的结果进行个性化诊断建议生成,通过结合大预言模型和宫颈癌诊断明细数据进行综合分析,得到个性化诊断辅助建议。

8、进一步地,所述数据收集,用于收集宫颈癌诊断增强所需的原始数据,具体为从医疗系统和医疗设备中,通过自动数据提取和图像采集,得到宫颈癌诊断原始数据集;

9、所述宫颈癌诊断原始数据集,具体包括宫颈涂片图像数据和临床诊断数据;

10、所述临床诊断数据,具体包括宫颈活检数据、基因组数据、hpv检测结果数据和标准化临床历史记录数据;

11、所述宫颈涂片图像数据,用于图像分析增强;

12、所述临床诊断数据,用于作为临床数据进行数据融合处理。

13、进一步地,所述图像分析增强,用于对收集到的宫颈癌相关图像进行处理和分析,具体为依据所述宫颈癌诊断原始数据集中的宫颈涂片图像数据,采用结合图像增强生成的视觉变压卷积双路径模型,进行图像分析增强,得到宫颈癌图像分析数据;

14、所述宫颈癌图像分析数据,具体包括细胞形态特征数据、病变区域特征数据和宫颈癌病变预分类数据;

15、所述结合图像增强生成的视觉变压卷积双路径模型,进行图像分析增强,得到宫颈癌图像分析数据的步骤,包括:图像处理增强、构建改进双路径模型、特征工程设计、预分类优化模型训练和增强图像分析;

16、所述图像处理增强,用于对原始图像数据进行数据增强,具体为采用标准化方法结合生成对抗网络训练样本生成,进行图像处理增强,得到增强宫颈图像数据集,具体步骤包括:基本图像增强、图像标准化和训练图像生成;

17、所述基本图像增强,具体为通过人工标签标注进行类别标签注释,并通过随机旋转、翻转和缩放方法扩充图像数量,进行图像类别平衡,得到基本增强图像数据;

18、所述图像标准化,具体为对所述宫颈涂片图像数据中的原始图像进行像素值标准化,得到标准化图像数据;

19、所述训练图像生成,具体为依据所述标准化图像数据,采用对抗生成网络方法进行图像训练样本生成,并将生成的图像训练样本和标准化图像数据整合,得到增强宫颈图像数据集;

20、所述构建改进双路径模型,用于构建分别针对宫颈涂片数据的细胞形态和病变区域进行双路径图像分析模型,具体步骤包括:构建卷积路径和构建视觉变压器路径;

21、所述卷积路径,用于对病变区域进行识别和分类,具体为构建包括基本卷积层、深度可分离卷积层和池化层的卷积图像分析预测路径;

22、所述基本卷积层,用于提取病变区域的局部特征;

23、所述深度可分离卷积层,用于提升特征提取效率并提取深度特征,具体为在第三层基本卷积层后构建三层深度可分离卷积层;

24、所述池化层,用于进行下采样操作并优化特征维度,具体采用最大池化操作构建所述池化层,得到卷积路径特征数据fcnn;

25、所述视觉变压器路径,用于对细胞形态特征进行细粒度识别和分类,具体步骤包括:图像切片、多尺度线性嵌入、自适应注意力机制改进和全局特征输出;

26、所述图像切片,用于对原始图像切分为小块,具体为将所述增强宫颈图像数据集中的图像进行划分切片,得到切片图像数据;

27、所述多尺度线性嵌入,用于将切片图像嵌入到不同尺寸的高维空间进行细胞形态特征的捕捉性能增强;

28、所述自适应注意力机制改进,具体为通过引入自适应键向量参数进行注意力分布优化,提升细胞形态识别分类的特征处理能力;

29、所述全局特征输出,具体为结合自适应注意力机制改进的相关性矩阵输出,并将注意力机制中的值向量作为全局特征输出权值,进行加权求和,提取细胞形态全局特征,得到视觉变压器路径特征数据;

30、所述特征工程设计,具体为将视觉变压器路径特征数据和卷积路径特征数据进行特征拼接,并构建全连接层进行特征处理,构建分类器进行最终识别结果的分类输出,得到预分类结果输出,具体步骤包括:特征拼接、融合特征处理和预分类优化;

31、所述特征拼接,具体指将视觉变压器路径特征数据和卷积路径特征数据进行特征拼接,得到双路径融合特征数据;

32、所述融合特征处理,具体为构建全连接层并对融合特征数据进行处理,得到分类特征数据;

33、所述预分类优化,具体为构建分类器,依据所述分类特征数据,进行图像分析,得到预分类结果输出;

34、所述预分类优化模型训练,具体为通过所述图像处理增强、所述改进双路径模型和所述特征工程设计,采用交叉熵损失函数优化模型训练,采用动态学习率衰减策略,进行预分类优化模型训练,得到预分类优化模型modelpc;

35、所述增强图像分析,具体为使用所述预分类优化模型modelpc,依据所述宫颈癌诊断原始数据集中的宫颈涂片图像数据,得到宫颈癌图像分析数据。

36、进一步地,所述数据融合处理,用于将图像分析结果与其他临床数据融合形成综合特征,具体为依据所述宫颈癌图像分析数据和所述宫颈癌诊断原始数据集中的临床诊断数据,采用结合特征选择和主成分分析的方法进行数据融合处理,得到宫颈癌诊断融合数据集;

37、所述采用结合特征选择和主成分分析的方法进行数据融合处理,得到宫颈癌诊断融合数据集的步骤,包括:融合数据准备、特征选择、特征编码、特征融合、主成分分析和数据融合模型处理;

38、所述融合数据准备,具体为将所述宫颈癌图像分析数据中的细胞形态特征数据和病变区域特征数据作为图像分析原始特征,并将所述临床诊断数据作为临床诊断原始特征,得到待融合特征数据集;

39、所述特征选择,具体采用人工特征选择结合l1正则化方法进行特征选择,得到筛选特征数据集;

40、所述特征编码,具体为采用独热编码对所述筛选特征数据集进行特征编码处理,得到编码分类特征数据;

41、所述特征融合,具体采用加权融合机制,将编码分类特征数据中的图像分析特征和临床诊断特征进行融合,得到融合特征数据;

42、所述主成分分析,用于将融合后的特征数据进行特征降维,得到降维融合特征数据;

43、数据融合模型处理,具体为构建标准随机森林模型执行数据融合处理任务,并通过所述融合数据准备、特征选择、特征编码、特征融合和主成分分析进行模型训练,得到数据融合模型modelfc,使用所述数据融合模型modelfc,进行数据融合,得到宫颈癌诊断融合数据集。

44、进一步地,所述诊断流程优化,用于根据融合后的数据自动分级宫颈癌的不同阶段并优化诊断流程,具体为依据所述宫颈癌诊断融合数据集,采用结合模态分解和混合搜索算法的双向门控循环模型进行宫颈癌阶段自动分级,得到宫颈癌诊断明细数据;

45、所述采用结合模态分解和混合搜索算法的双向门控循环模型,进行宫颈癌阶段自动分级,得到宫颈癌诊断明细数据的步骤,包括:模态分解、构建双向门控循环单元、构建混合搜索算法、宫颈癌阶段分级模型训练和诊断流程优化;

46、所述模态分解,具体为将所述宫颈癌诊断融合数据集进行时间序列分解,得到分解模态时序宫颈癌诊断数据,计算公式为:

47、xt=tt+st+rt;

48、式中,xt是分解模态时序宫颈癌诊断数据,tt是趋势成分分解数据,用于表示宫颈癌病变的发展趋势,具体包括肿瘤细胞增值速度特征和病变区域面积变化特征,st是周期性成分分解数据,用于表示患者就诊筛查的时间特征,具体包括患者就诊频率特征和筛查结果特征,rt是残差成分分解数据,用于表示隐含的病理特征和影响宫颈癌诊断结果的外部因素,具体包括随机波动特征和异常就诊数据特征;

49、所述构建双向门控循环单元,具体为构建包括更新门和重置门标准双向门控循环单元模型,并通过更新隐藏状态,处理所述分解模态时序宫颈癌诊断数据中的时序特征,得到双向门控输出隐藏状态数据;

50、所述构建混合搜索算法,具体为采用粒子群优化算法和鲸鱼优化算法进行加权混合参数优化,得到最优模型参数组合;

51、所述宫颈癌阶段分级模型训练,具体为通过所述模态分解、所述双向门控循环单元和所述混合搜索算法,进行宫颈癌阶段分级模型训练,得到宫颈癌阶段分级模型modelrp;

52、所述诊断流程优化,具体为使用所述宫颈癌阶段分级模型modelrp,依据所述宫颈癌诊断融合数据集,进行宫颈癌阶段分级,得到宫颈癌诊断明细数据,并通过依据所述宫颈癌诊断明细数据,辅助和优化宫颈癌诊断过程。

53、进一步地,所述综合分析,用于整合分析结果并提供个性化的诊断建议,辅助医生制定治疗方案,具体为依据所述宫颈癌图像分析数据和所述宫颈癌诊断明细数据,通过进行数据整合,辅助医生指定个性化治疗方案和诊断建议,得到综合性宫颈癌诊断增强分析报告。

54、采用上述方案本发明取得的有益效果如下:

55、(1)针对在已有的宫颈癌诊断系统中,存在着图像分析是宫颈癌诊断过程中重要的辅助过程,而现有技术在针对宫颈癌诊断的分析过程中使用单一的模型去进行特征分析,难以兼顾细胞层面的细粒度特征和病变大体区域的宏观特征两种需求不同的特征的技术问题,本方案创造性地采用结合图像增强生成的视觉变压卷积双路径模型,进行图像分析增强,通过生成对抗网络辅助数据生成优化图像分析的准备过程,再通过卷积路径和视觉变压器路径两种分析路径分别优化细粒度特征和宏观特征的提取能力,提升并增强了图像分析的能力,为后续的宫颈癌诊断流程优化提供了良好的数据支持;

56、(2)针对在已有的宫颈癌诊断系统中,存在着单一的图像数据分析在面对复杂多样的病症特征可能无法充分反应宫颈癌诊断过程所需要的信息,而现有技术对于图像特征和就诊信息特征的结合存在较大的改进空间的技术问题,本方案创造性地采用特征选择和主成分分析的方法进行数据融合处理,通过融合就诊特征和图像特征,为后续最终宫颈癌阶段自动分类提供了较好的特征数据源;

57、(3)针对在已有的宫颈癌诊断系统中,存在着宫颈癌阶段分级作为一项复杂的自动化任务,依赖图像处理、数据处理和多任务训练的结果,而已有技术对于宫颈癌阶段分级的结果可用性和可解释性都较低,且对混合特征的处理能力也较差的技术问题,本方案创造性地采用结合模态分解和混合搜索算法的双向门控循环模型进行宫颈癌阶段自动分级,通过模态分解将融合特征依据宫颈癌诊断的需要进行明确的序列化分解,并通过混合搜索算法和双向门控循环单元进行时序数据的优化处理,提升了系统整体的功能自动性、智能性和可用性,也为宫颈癌诊断增强拓宽了实践的方向和渠道;

58、(4)针对在已有的宫颈癌诊断系统中,存在着传统的宫颈癌诊断系统集成性较高,提升了系统的整体维护难度,也降低了不同功能模块之间的相对独立性的技术问题,本方案创造性地采用图像分析、数据融合和阶段分级三种模块独立设计的方法进行系统模块设计,每个模块既可以作为单独的功能进行使用和输出阶段性数据结果,也可以进行集成使用优化整体自动性,增强了宫颈癌诊断系统的整体可用性和应用泛用性。

本文地址:https://www.jishuxx.com/zhuanli/20241106/325355.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。