肿瘤良恶性智能诊断装置、设备及存储介质制造方法及图纸

本申请涉及深度学习、医学数据处理技术领域，特别涉及一种肿瘤良恶性智能诊断装置、设备及存储介质，其中，装置包括：采集模块，用于采集待诊断目标的至少一种模态数据；诊断模块，用于将至少一种模态数据输入至预先训练的肿瘤良恶性分类模型，得到待诊断目标的实际肿瘤类型，其中，肿瘤良恶性分类模型基于卷积神经网络和多层感知机训练得到。由此，本申请实施例可以针对各种模态的数据分别训练分类网络，学习有助于诊断肿瘤良恶性的特征，并采用模态dropout的方法训练模型，使模型更加鲁棒，以实现在部分模态缺失的情况下，仍然可以综合可获取的模态进行肿瘤良恶性智能诊断，满足实际需要。际需要。际需要。

【技术实现步骤摘要】
肿瘤良恶性智能诊断装置、设备及存储介质


[0001]本申请涉及深度学习、医学数据处理
，特别涉及一种肿瘤良恶性智能诊断装置、设备及存储介质。

技术介绍

[0002]针对于特定组织的肿瘤良恶性诊断，综合CT(Computed Tomography，计算机X线断层扫描)序列、MRI(Magnetic Resonance Imaging，磁共振成像)序列、X光片等医学影像以及各种基因序列的表达量有利于得到更加准确的诊断。但是，受到实际条件的限制，有时无法获得所有模态的数据。
[0003]近年来，深度学习技术飞速发展，并在各领域得到了广泛使用。神经网络具有很强的特征学习能力，从大量数据中自动学习对预测有帮助的特征。此外，神经网络可以分析挖掘多模态数据特征之间的联系。

技术实现思路

[0004]本申请提供一种肿瘤良恶性智能诊断装置、设备及存储介质，可以针对各种模态的数据分别训练分类网络，学习有助于诊断肿瘤良恶性的特征，并采用模态dropout的方法训练模型，使模型更加鲁棒，以实现在部分模态缺失的情况下，仍然可以综合可获取的模态进行肿瘤良恶性智能诊断，满足实际需要。
[0005]本申请第一方面实施例提供一种肿瘤良恶性智能诊断装置，包括：采集模块，用于采集待诊断目标的至少一种模态数据；诊断模块，用于将所述至少一种模态数据输入至预先训练的肿瘤良恶性分类模型，得到所述待诊断目标的实际肿瘤类型，其中，所述肿瘤良恶性分类模型基于卷积神经网络和多层感知机训练得到。
[0006]可选地，所述诊断模块包括：提取单元，用于将所述至少一种模态数据输入至所述卷积神经网络，提取多模态特征向量；预测单元，用于将所述多模态特征向量输入至所述多层感知机，预测恶性肿瘤概率；诊断单元，用于在所述恶性肿瘤概率大于预设概率时，确定所述实际肿瘤类型为恶性肿瘤，否则，确定所述实际肿瘤类型为良性肿瘤。
[0007]可选地，所述至少一种模态数据包括第一至第三模态影像和/或目标基因序列表达量，所述提取单元进一步用于：利用所述卷积神经网络提取所述第一至第三模态影像的特征向量，将所述第一至第三模态影像的特征向量和所述目标基因序列表达量按照预设顺序依次连接，得到所述多模态特征向量。
[0008]可选地，所述提取单元进一步用于利用零向量替代缺失的模态影像的特征向量，并利用预设标识代替缺失的目标基因序列表达量。
[0009]可选地，所述肿瘤良恶性智能诊断装置还包括：训练模块，用于获取每种模态数据的训练样本，利用所述训练样本对所述卷积神经网络和所述多层感知机进行训练，得到所述肿瘤良恶性分类模型。
[0010]本申请第二方面实施例提供一种肿瘤良恶性智能诊断设备，以实现如上述实施例
所述对肿瘤良恶性的诊断。
[0011]本申请第三方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如下的肿瘤良性智能诊断方法，包括：采集待诊断目标的至少一种模态数据；将所述至少一种模态数据输入至预先训练的肿瘤良恶性分类模型，得到所述待诊断目标的实际肿瘤类型，其中，所述肿瘤良恶性分类模型基于卷积神经网络和多层感知机训练得到。
[0012]可选地，将所述至少一种模态数据输入至预先训练的肿瘤良恶性分类模型，得到所述待诊断目标的实际肿瘤类型，包括：将所述至少一种模态数据输入至所述卷积神经网络，提取多模态特征向量；将所述多模态特征向量输入至所述多层感知机，预测恶性肿瘤概率；在所述恶性肿瘤概率大于预设概率时，确定所述实际肿瘤类型为恶性肿瘤，否则，确定所述实际肿瘤类型为良性肿瘤。
[0013]可选地，所述至少一种模态数据包括第一至第三模态影像和/或目标基因序列表达量，所述将所述至少一种模态数据输入至所述卷积神经网络，提取多模态特征向量，包括：利用所述卷积神经网络提取所述第一至第三模态影像的特征向量，将所述第一至第三模态影像的特征向量和所述目标基因序列表达量按照预设顺序依次连接，得到所述多模态特征向量；其中，利用零向量替代缺失的模态影像的特征向量，并利用预设标识代替缺失的目标基因序列表达量。
[0014]可选地，所述肿瘤良恶性分类模型基于卷积神经网络和多层感知机训练得到，包括：获取每种模态数据的训练样本，利用所述训练样本对所述卷积神经网络和所述多层感知机进行训练，得到所述肿瘤良恶性分类模型。
[0015]由此，本申请至少具有如下有益效果：
[0016]可以针对各种模态的数据分别训练分类网络，学习有助于诊断肿瘤良恶性的特征，并采用模态dropout的方法训练模型，使模型更加鲁棒，以实现在部分模态缺失的情况下，仍然可以综合可获取的模态进行肿瘤良恶性智能诊断，满足实际需要。
[0017]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0018]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0019]图1为根据本申请实施例的肿瘤良恶性智能诊断装置的示例图。
具体实施方式
[0020]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0021]下面参照附图描述根据本申请实施例提出的肿瘤良恶性智能诊断装置。
[0022]图1是本申请实施例的肿瘤良恶性智能诊断装置的方框示意图。
[0023]如图1所示，该肿瘤良恶性智能诊断装置10包括：采集模块100和诊断模块200。
[0024]其中，采集模块100用于采集待诊断目标的至少一种模态数据；诊断模块200用于将至少一种模态数据输入至预先训练的肿瘤良恶性分类模型，得到待诊断目标的实际肿瘤类型，其中，肿瘤良恶性分类模型可以基于卷积神经网络和多层感知机训练得到。
[0025]其中，至少一种模态数据可以包括第一至第三模态影像和/或目标基因序列表达量，比如，可以包括CT序列、MRI序列、X光片等医学影像以及各种基因序列的表达量，例如，可以为21个基因序列的表达量等。
[0026]可以理解的是，本申请实施例可以利用具有不同模态组成的训练数据进行训练，对于每种模态数据，预先训练一个由卷积神经网络和多层感知机组成的肿瘤良恶性分类模型，在采集到待诊断目标的至少一种模态数据后，可以将该模态数据输入至预先训练的模型中，得到待诊断目标的实际肿瘤类型。
[0027]在本申请实施例中，诊断模块200包括：提取单元、预测单元及诊断单元。
[0028]其中，提取单元用于将至少一种模态数据输入至卷积神经网络，提取多模态特征向量；预测单元用于将多模态特征向量输入至多层感知机，预测恶性肿瘤概率；诊断单元用于在恶性肿瘤概率大于预设概率时，确定实际肿瘤类型为恶性肿瘤，否则，确定实际肿瘤类型为良性肿本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肿瘤良恶性智能诊断装置，其特征在于，包括：采集模块，用于采集待诊断目标的至少一种模态数据；诊断模块，用于将所述至少一种模态数据输入至预先训练的肿瘤良恶性分类模型，得到所述待诊断目标的实际肿瘤类型，其中，所述肿瘤良恶性分类模型基于卷积神经网络和多层感知机训练得到。2.根据权利要求1所述的装置，其特征在于，所述诊断模块包括：提取单元，用于将所述至少一种模态数据输入至所述卷积神经网络，提取多模态特征向量；预测单元，用于将所述多模态特征向量输入至所述多层感知机，预测恶性肿瘤概率；诊断单元，用于在所述恶性肿瘤概率大于预设概率时，确定所述实际肿瘤类型为恶性肿瘤，否则，确定所述实际肿瘤类型为良性肿瘤。3.根据权利要求2所述的装置，其特征在于，所述至少一种模态数据包括第一至第三模态影像和/或目标基因序列表达量，所述提取单元进一步用于：利用所述卷积神经网络提取所述第一至第三模态影像的特征向量，将所述第一至第三模态影像的特征向量和所述目标基因序列表达量按照预设顺序依次连接，得到所述多模态特征向量。4.根据权利要求3所述的装置，其特征在于，所述提取单元进一步用于利用零向量替代缺失的模态影像的特征向量，并利用预设标识代替缺失的目标基因序列表达量。5.根据权利要求1
‑
4任意一项所述的装置，其特征在于，还包括：训练模块，用于获取每种模态数据的训练样本，利用所述训练样本对所述卷积神经网络和所述多层感知机进行训练，得到所述肿瘤良恶性分类模型。6.一种医疗诊断设备，其特征在于，包括如权利要求1
‑
5任意一项所述的肿瘤良恶性智能诊断装置。7.一种计算机可读存储介质，其上...

【专利技术属性】
技术研发人员：徐枫，周展平，乔晖，
申请(专利权)人：清华大学，
类型：发明
国别省市：