买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京安吉贝玛健康科技有限公司;遵义医科大学附属医院

摘要：本发明公开了一种基于机器学习的甲状腺癌患者风险分级系统，该系统包括数据采集模块、数据预处理模块、甲状腺癌图像分割模块、甲状腺癌数据增强模块和甲状腺癌风险分级模块。本发明涉及甲状腺癌风险分级技术领域，具体是指一种基于机器学习的甲状腺癌患者风险分级系统，本发明通过采集得到历史数据和当前患者数据；采用尺寸标准化、增强对比度、图像去噪和数据标注的数据预处理方法；采用双路径证据网络模型进行图像分割，提升了模型的精度和适应性；采用结合变压器的生成对抗网络模型进行数据增强，提高了数据的质量和丰富性；采用卷积神经网络模型进行风险分级，增强了风险分级的准确性。

主权项：1.一种基于机器学习的甲状腺癌患者风险分级系统，其特征在于：该系统包括数据采集模块、数据预处理模块、甲状腺癌图像分割模块、甲状腺癌数据增强模块和甲状腺癌风险分级模块；所述数据采集模块，通过数据采集，得到历史数据集和当前患者数据集，并将所述历史数据集发送至数据预处理模块，将所述当前患者数据集发送至甲状腺癌风险分级模块；所述数据预处理模块，通过预处理数据，得到甲状腺癌图像数据集，并将所述甲状腺癌图像数据集发送至甲状腺癌图像分割模块；所述甲状腺癌图像分割模块，通过构建双路径证据网络模型进行图像分割，得到甲状腺癌分割图像数据集，并将所述甲状腺癌分割图像数据集发送至甲状腺癌数据增强模块，所述甲状腺癌图像分割模块，具体内容包括像素证据收集、双路径融合、设计损失函数和甲状腺癌图像分割；所述像素证据收集，内容包括上路径证据收集和下路径证据收集；所述上路径证据收集，内容包括：构造上路径证据，所用公式如下： 式中，H表示输入图像数据的高，W表示输入图像数据的宽，表示上路径证据，Softplus·表示Softplus操作函数，Eup表示上路径证据集，K表示图像分割的种类数，qi，j表示支持第i个像素被分类到第j类图像分割的观测值的数量；计算上路径狄利克雷分布的参数和总强度，所用公式如下： 式中，表示上路径狄利克雷分布参数，表示第i个像素的上路径狄利克雷分布的总强度；计算上路径的置信质量和不确定性质量，所用公式如下： 式中，表示第j类图像分割的第i个像素的上路径置信质量，表示第i个像素的上路径不确定性质量，表示限制条件；上路径像素类别预测，所用公式如下： 式中，表示第i个像素被分类到第j类图像分割的上路径概率；所述下路径证据收集，内容包括：构造下路径证据，所用公式如下： 式中，表示下路径证据，Edown表示下路径证据集，Dropout·表示随机丢弃处理函数；计算下路径狄利克雷分布的参数和总强度，所用公式如下： 式中，表示下路径狄利克雷分布参数，表示第i个像素的下路径狄利克雷分布的总强度；计算下路径的置信质量和不确定性质量，所用公式如下： 式中，表示第j类图像分割的第i个像素的下路径置信质量，表示第i个像素的下路径不确定性质量，表示限制条件；下路径像素类别预测，所用公式如下： 式中，表示第i个像素被分类到第j类图像分割的下路径概率；所述双路径融合，内容包括：计算融合置信质量和融合不确定性质量，所用公式如下： 式中，表示融合置信质量，表示融合不确定性质量，n表示上路径置信质量的图像分割类索引，m表示下路径置信质量的图像分割类索引；计算融合狄利克雷分布参数和融合狄利克雷分布的总强度，所用公式如下： 式中，表示融合证据，表示融合狄利克雷分布的总强度，表示融合狄利克雷分布参数；融合像素类别预测，所用公式如下： 式中，表示第i个像素被分类到第j类图像分割的融合概率；所述设计损失函数，内容包括：生成硬伪标签，用于为未标签像素生成硬伪标签，所用公式如下： 式中，α表示硬伪标签，argmax·表示取目标值最大时的参数，Pfu表示融合概率集；计算上下路径一致性损失，所用公式如下： 式中，Lcon表示上下路径一致性损失值，Ldice·表示Dice损失函数，Pup表示上路径概率集，Pdown表示下路径概率集；所述甲状腺癌图像分割，具体为通过所述像素证据收集、所述双路径融合和所述设计损失函数，进行双路径证据网络模型的构建，得到所述双路径证据网络模型，并采用所述双路径证据网络模型对所述甲状腺癌图像数据集进行图像分割，得到所述甲状腺癌分割图像数据集；所述甲状腺癌数据增强模块，通过构建结合变压器的生成对抗网络模型进行数据增强，得到甲状腺癌增强图像数据集，并将所述甲状腺癌增强图像数据集发送至甲状腺癌风险分级模块，所述甲状腺癌数据增强模块，具体内容包括构建生成器、构建鉴别器、设计对比损失函数和进行数据增强；所述构建生成器，内容包括构建多头注意单元和构建生成器多层感知单元；所述构建多头注意单元，内容包括：计算查询向量、键向量和值向量，所用公式如下： 式中，Quea表示第a个头部的查询向量，Keya表示第a个头部的键向量，Vala表示第a个头部的值向量，XG表示生成器的输入，表示第a个头部的查询向量的参数矩阵，表示第a个头部的键向量的参数矩阵，表示第a个头部的值向量的参数矩阵，h表示头部的总数；计算头部注意输出，所用公式如下： 式中，Ohaa表示第a个头部的输出向量，Softmax·表示Softmax函数，dk表示键向量的维度，T表示转置操作；计算多头注意单元输出，所用公式如下：Ohasum＝concatOha1,Oha2,...,Oha,ωo；式中，Ohasum表示多头注意单元输出，concat·表示向量连接函数，Oha1表示第1个头部的输出向量，Oha2表示第2个头部的输出向量，Ohah表示第h个头部的输出向量，ωo表示用于线性变换的权重矩阵；所述构建生成器多层感知单元，所用公式如下： 式中，表示第一层生成器多层感知输出，μ表示Sigmoid激活函数，表示第一层生成器多层感知权重矩阵，表示第一层生成器多层感知偏置向量，表示第b+1层生成器多层感知输出，表示第b层生成器多层感知输出，表示第b+1层生成器多层感知权重矩阵，表示第b+1层生成器多层感知偏置向量，numG表示生成器多层感知层数；所述构建鉴别器，具体为构建鉴别器多层感知单元，所述鉴别器多层感知单元最后一层用于得到鉴别器的输出，所述鉴别器多层感知单元其他层用于提取隐藏特征，所述构建鉴别器，所用公式如下： 式中，表示第一层鉴别器多层感知输出，XD表示鉴别器输入，表示第一层鉴别器多层感知权重矩阵，表示第一层鉴别器多层感知偏置向量，表示第r+1层鉴别器多层感知输出，表示第r层鉴别器多层感知输出，表示第r+1层鉴别器多层感知权重矩阵，表示第r+1层鉴别器多层感知偏置向量，numD表示鉴别器多层感知层数，PDY|XD表示鉴别器模块输出，Y表示风险标签，表示第numD层鉴别器多层感知权重矩阵，表示第numD-1层鉴别器多层感知输出，表示第numD层鉴别器多层感知偏置向量；所述设计对比损失函数，所用公式如下： 式中，Ldb表示对比损失值，N表示样本数量，zu表示第u个样本，zv表示第v个样本，Dis·表示欧氏距离函数；所述进行数据增强，具体为通过所述构建生成器、所述构建鉴别器和所述设计对比损失函数，进行结合变压器的生成对抗网络模型的构建，得到所述结合变压器的生成对抗网络模型，并采用所述结合变压器的生成对抗网络模型对所述甲状腺癌分割图像数据集进行数据增强，得到所述患者身体状况增强数据集；所述甲状腺癌风险分级模块，通过建立完成的甲状腺癌风险分级模型对所述当前患者数据集进行风险分级。

全文数据：

权利要求：

百度查询： 北京安吉贝玛健康科技有限公司 遵义医科大学附属医院 一种基于机器学习的甲状腺癌患者风险分级系统