[发明专利]基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统

摘要

本发明公开了一种基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统，该系统包括：数据采集模块，用于采集医疗大数据，获取大量数据维数高、类标不确定性高的医疗数据和医学影像；数据处理模块，用于对获取的医疗数据和医学影像进行预处理；算法应用模块，用于初始化及训练子学习器，对无标签医疗数据和无标签医学影像进行标记，对有标签医疗数据和有标签医学影像进行扩充；辅助决策模块，用于对测试集的医疗大数据进行分类。数据处理模块进一步包括医疗数据降维模块、影像处理模块、数据分类模块和医疗数据处理模块；算法应用模块进一步包括训练样本生成模块、训练模块、标记模块、扩充模块和集成模块。提高医疗大数据分类的准确度。

主权项

1.基于生成式对抗网络与半监督学习的医疗大数据分类方法，其特征在于，具体步骤如下：步骤S1、通过物联网平台采集大医疗数据，获取大量数据维数高、类标不确定性高的医疗大数据，即医疗数据和医学影像；步骤S2、对获取的医疗数据进行特征提取以对其进行数据降维，并对医学影像依次进行特征提取、图像分割和图像去噪；步骤S3、将降维后的医疗数据分为有标签医疗数据和无标签医疗数据，并将经图像去噪后的医学影像分为有标签医学影像和无标签医学影像；步骤S4、对有标签医疗数据的类标依次进行数值化和归一化；步骤S5、采用生成式对抗网络对有标签医疗数据进行数据平衡化；步骤S6、通过重采样方法在有标签医疗数据和有标签医学影像中获得不同的样本子集；步骤S7、采用生成式对抗网络对采样得到的多个样本子集进行扩充，获得多个训练样本；步骤S8、初始化多个子学习器，并将训练样本分配给子学习器，对子学习器进行优化；步骤S9、利用优化后的子学习器对无标签医疗数据和无标签医学影像进行标记；并将利用标记的医疗数据和医学影像对有标签医疗数据及有标签医学影像进行一次扩充；步骤S10、采用生成式对抗网络对有标签医疗数据和有标签医学影像进行二次扩充；步骤S11、对步骤S4～S10进行循环迭代，直到有标签医疗数据集和有标签医学影像集中的数据量不再发生变化，迭代结束；步骤S12、采用boosting方法对最终优化的子学习器进行集成学习；并将集成的学习器用于测试集，对测试集进行分类。