[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

说明书

本发明属于计算机应用技术领域，具体涉及医学影像分析技术领域，特别是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，本发明首先经过张量卷积神经网络整合医学图像内的有效信息，再进入张量递归神经网络，通过对病人历史医学影像数据和当前医学影像数据进行分析，输出当前医学影像数据的分析结果和将来时刻医学影像的分析结果预测，分别用于为医师提供分析参考和评价病人正在接受的治疗方案。本发明引入张量CP分解和张量列分解，相比传统递归神经网络，张量递归神经网络的参数规模远远小于传统网络处理相同张量数据时的网络参数规模。因此能有效提高影像学分析的可靠性和效率，为调整优化治疗方案提供依据。

技术领域

本发明属于计算机应用技术领域，具体涉及医学影像分析技术领域，特别是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。

背景技术

如发明名称为深度学习对医学数据进行分析的方法及其智能分析仪，申请号为201510294286.3的中国发明专利，应用深度学习模型对医学数据进行分析，输出相应的病理分析结果。其具体实施方案如下：

采集已备案的同类型的医学素材数据及与该医学素材数据匹配的医学分析数据作为医学训练数据通过输入装置存储于计算机中；

所述医学训练数据中不小于二维的医学影像数据与文本数据中随时间空间的变化值与对应的数据相关联；

在采集的海量医学训练数据中，将与每一个个体对应的医学训练数据和所述变化值汇总为一条单元数据；

将所述训练数据采用分割、关联或文本数据挖掘方法整合或格式化为计算机可以理解的结构化数据矩阵并从每个单元数据中提取数据特征；

将已形成结构化数据矩阵的医学训练数据导入装置于计算机内对应深度学习模型的存储模块中；

通过计算机对所述深度学习模型进行优化计算；

将获取的已形成结构化矩阵数据的医学待分析数据导入该深度学习模型中进行与之匹配的医学病理分析；

由该深度学习模型通过输出装置输出与所述医学待分析数据相匹配的医学病理分析结果及疾病发展变化的预测结果。

该现有技术只是把所有能够获取的医疗数据冗杂在一起构建矩阵数据，利用卷积神经网络与相应的诊断记录匹配起来。这种做法基于最大化信息量的原则进行的。存在大量的重复信息，增加模型的信息搜索负担，同时冗杂了与模型问题无关的信息，掩盖内在规律。卷积神经网络不能够提取时间维度的信息，存在时间维度的信息，反成了噪声。

并且通过现有技术可知递归神经网络是一种能够对时序数据进行显示建模的神经网络，而医学影像一般以2D和3D的矩阵或张量模型存储表达，规模较大，如MRI图像每个切片视野为512×512，传统递归神经网络分析时，采用向量化处理运算，对医学图像进行特征提取或其他向量化处理，会在不同程度上破坏医学图像特有的空间结构信息及各因素间的内在依赖性，不能充分利用医学图像的全部有效信息，模型输出结果可靠性低，同时传统递归神经网络中存在大量全连接结构，如输入层到第一层隐藏层全连，隐层间全连接、隐藏层自身全连接，隐藏层到输出层全连接，这些全连接结构产生了庞大的权值参数，导致内存代价高，计算复杂度高，效率低等问题。

发明内容

针对以上问题，本发明在只能处理向量数据的传统递归神经网络进行适当的修改，提供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。

为解决上述技术问题，本发明采用的一个技术方案是：提供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；