[发明专利]一种融合深度张量神经网络的医学影像数据分析方法和系统

权利要求书

1.一种融合深度张量神经网络的医学影像数据分析方法，其特征在于包括如下步骤：

采集已备案待分析疾病的医学影像数据，建立并实时更新所述待分析疾病的医学影像数据库；

根据待分析的问题对所述医学影像数据库中待分析疾病的医学影像数据进行筛选，得到符合条件的医学影像数据；同一病人的医学影像数据按时间顺序组合成医学影像数据序列；

根据所述筛选后的医学影像数据序列构建深度学习预测模型；利用卷积神经网络和张量递归神经网络设计构建深度学习预测模型的结构，对深度学习预测模型进行优化训练，输出最优的深度学习预测模型；

获取待分析的医学影像数据，与其近期的医学影像数据构成待分析的医学影像数据序列，并将所述医学影像数据序列导入深度学习预测模型；所述深度学习预测模型根据待分析的医学影像数据序列进行分析预测，输出当前影像的分析结果和未来影像的预测分析结果；

根据所述筛选后的医学影像数据序列构建深度学习预测模型具体包括如下步骤：

迁移学习步骤，搜索下载图像深度学习网络的结构及其对应的参数，辅助深度学习预测模型的优化训练；

卷积步骤，参照迁移学习步骤下载的图像深度学习网络中卷积部分的结构，构建卷积神经网络；并把图像深度学习网络相应位置的参数作为卷积神经网络的初始化参数，实现知识迁移；对数据加强之后的医学影像数据序列中的各个医学影像数据进行卷积处理，输出相应的张量特征图序列；

张量递归步骤，通过张量递归神经网络对张量特征图序列进行分析和处理，所述张量递归步骤还包括张量CP分解步骤和张量列分解步骤，其中：

张量CP分解步骤，对卷积神经网络输出的张量特征图序列中各个张量特征图和张量递归神经网络内的张量参数进行CP分解；

张量列分解步骤，对张量递归神经网络内的全连接矩阵进行张量列分解；

参数优化步骤，优化调整卷积神经网络和张量递归神经网络内的参数，输出最优的深度学习预测模型，将最优参数传递给深度学习预测模型。

2.如权利要求1所述的融合深度张量神经网络的医学影像数据分析方法，其特征在于，所述根据筛选后的医学影像数据序列构建预测模型之前还包括对筛选后的医学影像数据序列进行数据加强的步骤，所述数据加强步骤具体包括：

对筛选后的医学影像数据序列中的每个医学影像数据进行几何变换，改变图像像素或体素的位置并保持特征的几何旋转不变性。

3.如权利要求1-2任一项所述的融合深度张量神经网络的医学影像数据分析方法，其特征在于，该方法还包括专家校正步骤，所述专家校正步骤具体包括：专业医师根据当前医学影像和深度学习预测模型输出的分析结果，给出当前医学影像所对应的最终分析结果。

4.如权利要求2所述的融合深度张量神经网络的医学影像数据分析方法，其特征在于，所述几何变换包括但不局限于仿射变换、投影变换、噪声扰动；所述仿射变换包括平移、缩放、旋转、剪切。