本發(fā)明專利技術(shù)公開了一種淋巴結(jié)疾病智能診斷系統(tǒng)中的數(shù)據(jù)處理方法，其特征在于按照以下步驟進行：步驟1：將樣本數(shù)據(jù)進行歸一化處理，使其處于預設(shè)區(qū)間范圍內(nèi)，該樣本數(shù)據(jù)包括M個患者數(shù)據(jù)和N個非患者數(shù)據(jù)；步驟2：基于P-value算法對歸一化后的數(shù)據(jù)進行特征選擇；步驟3：基于前向特征選擇對步驟2所選擇出的特征作進一步篩選；步驟4：按照步驟3所篩選出的特征，構(gòu)建LS-SVM訓練模型；步驟5：按照步驟1的方式對測試數(shù)據(jù)進行歸一化處理，并選擇步驟3所篩選出的特征帶入步驟4所構(gòu)建的LS-SVM訓練模型中進行分類識別，輸出分類結(jié)果。本方法在構(gòu)建訓練模型時數(shù)據(jù)特征維數(shù)少，縮短了診斷時間，同時又保證了診斷系統(tǒng)的準確率。
【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于一種基于分類識別的數(shù)據(jù)處理方法，更具體的說，是一種淋巴結(jié)疾病 智能診斷系統(tǒng)中的數(shù)據(jù)處理方法。
技術(shù)介紹
淋巴結(jié)疾病是影響人類身體健康的疾病之一。而在淋巴結(jié)疾病中，淋巴結(jié)腫瘤的 危害更為明顯。因此，為了能夠?qū)颊哌x擇合適的治療計劃，準確地診斷腫瘤患者的淋巴結(jié) 及淋巴結(jié)部位病變顯得至關(guān)重要。由于淋巴結(jié)切除的部位活體檢查巨額費用且次手術(shù)帶來 的侵襲性，將會引起不少負面影響；因而早期診斷對于淋巴結(jié)病顯得尤為重要。近來，基于 醫(yī)學圖像的人工淋巴結(jié)疾病診斷方法在淋巴結(jié)疾病的診斷中具有著重大作用，它對全身淋 巴結(jié)進行評估是采用非侵襲性的技術(shù)，因此診斷對于身體的侵害降至了最低。 隨著醫(yī)學圖像的人工診斷方法的快速發(fā)展，為了能夠?qū)τ訌碗s的醫(yī)學圖像進行 分析與處理，支持向量機法成為近年來人工智能診斷的一個研究熱點，但由于淋巴結(jié)疾病 的參數(shù)特征較多，直接利用支持向量機的訓練模型進行診斷識別，數(shù)據(jù)處理復雜，診斷時間 較長，難以滿足臨床應用。
技術(shù)實現(xiàn)思路
針對現(xiàn)有技術(shù)的不足，本專利技術(shù)的目的是提供一種淋巴結(jié)疾病智能診斷系統(tǒng)中的數(shù) 據(jù)處理方法，該方法通過研究各個樣本的相關(guān)特征，實現(xiàn)了基于多特征的自動淋巴結(jié)疾病 診斷，同時結(jié)合了假設(shè)檢驗、前向選擇以及粒子群優(yōu)化最小二乘支持向量機（LS-SVM)，這樣 使得在較快診斷的同時實現(xiàn)較高的準確率。 為了達到上述目的，本專利技術(shù)所采用的具體技術(shù)方案如下： -種，其關(guān)鍵在于按照以下步驟進 行： 步驟1 :將樣本數(shù)據(jù)進行歸一化處理，使其處于預設(shè)區(qū)間范圍內(nèi)，該樣本數(shù)據(jù)包括 Μ個患者數(shù)據(jù)和N個非患者數(shù)據(jù)； 步驟2 :基于P-value算法對歸一化后的數(shù)據(jù)進行特征選擇； 步驟3 :基于前向特征選擇對步驟2所選擇出的特征作進一步篩選； 步驟4 :按照步驟3所篩選出的特征，構(gòu)建LS-SVM訓練模型； 步驟5 :按照步驟1的方式對測試數(shù)據(jù)進行歸一化處理，并選擇步驟3所篩選出的 特征帶入步驟4所構(gòu)建的LS-SVM訓練模型中進行分類識別，輸出分類結(jié)果。 作為進一步描述，每個樣本數(shù)據(jù)包括的特征有：性別，男性為1，女性為0 ;年齡；肺 部病灶PET-CT SUV值；吸煙狀況，從不吸煙為0,過去吸煙為1，現(xiàn)在吸煙為2 ;切下病灶標 本的大?。籔ET-CT檢查大??；平掃CT最大直徑；增強CT最大直徑；PET-CT檢查淋巴結(jié)SUV 值；淋巴結(jié)最短徑麗；孤立或融合狀況，孤立為0,融合為1 ;縱橫徑比；壞死情況，有壞死為 1，無壞死為0 ;邊界情況，邊界清晰為0,不清晰為1 ;強化方式，無強化為0,強化均勻為1， 強化不均勻為2。 再進一步描述，步驟1中的歸一化處理按照： _4] y = (y^yj · (x-Xniin) +y_進行，其中yniin為預設(shè)區(qū)間范圍的最小值， ymax為預設(shè)區(qū)間范圍的最大值，每一特征數(shù)據(jù)中的最大值為xmax，每一特征數(shù)據(jù)中最小值為 xmin，X為歸一化前的特征數(shù)據(jù)，y為歸一化后的特征數(shù)據(jù)。 結(jié)合具體應用，步驟1中歸一化處理的預設(shè)區(qū)間范圍為（0, 10);步驟2中P-Value 算法的判定閾值為0. 05。 作為優(yōu)選，所述步驟4中建立LS-SVM訓練模型時所選擇的LS-SVM類型為c，算法 的內(nèi)核為RBF神經(jīng)網(wǎng)絡(luò)模型，并運用了網(wǎng)格搜索法和交叉驗證法相結(jié)合的方式進行參數(shù)尋 優(yōu)。 本專利技術(shù)的顯著效果是： 首先對數(shù)據(jù)進行歸一化處理，進而利用了 P值檢驗和前向特征選擇的方法對各項 指標進行優(yōu)化篩選，之后利用最小二乘支持向量機訓練出符合準確率的診斷系統(tǒng)，完成淋 巴結(jié)疾病的智能診斷，數(shù)據(jù)特征維數(shù)少，縮短了診斷時間，并保證了診斷系統(tǒng)的準確率。 【附圖說明】 圖1是本專利技術(shù)的方法流程圖； 圖2是基于LS-SVM的診斷模型建立的控制流程圖； 圖3是網(wǎng)格搜索法的控制流程圖。 【具體實施方式】 下面結(jié)合附圖對本專利技術(shù)的【具體實施方式】以及工作原理作進一步詳細說明。 如圖1所示，一種，按照以下步驟進 行： 步驟1 :將樣本數(shù)據(jù)進行歸一化處理，使其處于預設(shè)區(qū)間范圍內(nèi)，該樣本數(shù)據(jù)包括 Μ個患者數(shù)據(jù)和N個非患者數(shù)據(jù)； 在本實施例中，總共選擇了 243個住院者的檢查數(shù)據(jù)，每個住院者的數(shù)據(jù)有15個 特征，依次為：性別，男性為1，女性為0 ;年齡；肺部病灶PET-CT SUV值；吸煙狀況，從不吸 煙為0,過去吸煙為1，現(xiàn)在吸煙為2 ;切下病灶標本的大?。籔ET-CT檢查大?。黄綊逤T最大 直徑；增強CT最大直徑；PET-CT檢查淋巴結(jié)SUV值；淋巴結(jié)最短徑ΜΜ ;孤立或融合狀況，孤 立為〇,融合為1 ;縱橫徑比；壞死情況，有壞死為1，無壞死為〇 ;邊界情況，邊界清晰為〇,不 清晰為1 ;強化方式，無強化為〇,強化均勻為1，強化不均勻為2。 上述243組數(shù)據(jù)中有78組屬于癌癥患者數(shù)據(jù)，剩余的165組數(shù)據(jù)屬于非癌癥患者 數(shù)據(jù)，本例隨機選取了 58組癌癥患者數(shù)據(jù)和120組非癌癥患者數(shù)據(jù)作為訓練樣本數(shù)據(jù)，剩 余的作為測試數(shù)據(jù)； 這里的歸一化處理按照：y = (y^yj · (x-xj +y_進行，其中ynin為 預設(shè)區(qū)間范圍的最小值，ymax為預設(shè)區(qū)間范圍的最大值，這里的預設(shè)區(qū)間為（0, 10)，即ymin =0，ymax = 10,每一特征數(shù)據(jù)中的最大值為Xmax，每一特征數(shù)據(jù)中最小值為xmin，x為歸一化 前的特征數(shù)據(jù)，y為歸一化后的特征數(shù)據(jù)，歸一化的過程可以通過表1和表2體現(xiàn)出來，其中 指標1-指標5依次為：性別（男性為1，女性為0);年齡；肺部病灶PET-CT SUV值；吸煙 狀況（從不吸煙為0,吸，過去吸煙為1，現(xiàn)在吸煙為2);切下病灶標本的大小。標號1-標 號10表不前10個病人的編號。 表1歸一化之前數(shù)據(jù) 本文檔來自技高網(wǎng)...
【技術(shù)保護點】
一種淋巴結(jié)疾病智能診斷系統(tǒng)中的數(shù)據(jù)處理方法，其特征在于按照以下步驟進行：步驟1：將樣本數(shù)據(jù)進行歸一化處理，使其處于預設(shè)區(qū)間范圍內(nèi)，該樣本數(shù)據(jù)包括M個患者數(shù)據(jù)和N個非患者數(shù)據(jù)；步驟2：基于P?value算法對歸一化后的數(shù)據(jù)進行特征選擇；步驟3：基于前向特征選擇對步驟2所選擇出的特征作進一步篩選；步驟4：按照步驟3所篩選出的特征，構(gòu)建LS?SVM訓練模型；步驟5：按照步驟1的方式對測試數(shù)據(jù)進行歸一化處理，并選擇步驟3所篩選出的特征帶入步驟4所構(gòu)建的LS?SVM訓練模型中進行分類識別，輸出分類結(jié)果。
【技術(shù)特征摘要】
1. 一種淋巴結(jié)疾病智能診斷系統(tǒng)中的數(shù)據(jù)處理方法，其特征在于按照以下步驟進行： 步驟1 :將樣本數(shù)據(jù)進行歸一化處理，使其處于預設(shè)區(qū)間范圍內(nèi)，該樣本數(shù)據(jù)包括Μ個 患者數(shù)據(jù)和Ν個非患者數(shù)據(jù)； 步驟2 :基于P-value算法對歸一化后的數(shù)據(jù)進行特征選擇； 步驟3 :基于前向特征選擇對步驟2所選擇出的特征作進一步篩選； 步驟4 :按照步驟3所篩選出的特征，構(gòu)建LS-SVM訓練模型； 步驟5 :按照步驟1的方式對測試數(shù)據(jù)進行歸一化處理，并選擇步驟3所篩選出的特征 帶入步驟4所構(gòu)建的LS-SVM訓練模型中進行分類識別，輸出分類結(jié)果。2. 根據(jù)權(quán)利要求1所述的淋巴結(jié)疾病智能診斷系統(tǒng)中的數(shù)據(jù)處理方法，其特征在于： 每個樣本數(shù)據(jù)包括的特征有：性別，男性為1，女性為〇 ;年齡；肺部病灶PET-CT SUV值；吸 煙狀況，從不吸煙為0,過去吸煙為1，現(xiàn)在吸煙為2 ;切下病灶標本的大?。籔ET-CT檢查大 小；平掃CT最大直徑；增強CT最大直徑；PET-CT檢查淋巴結(jié)SUV值；淋巴結(jié)最短徑MM ;孤立 或融合狀況，孤立為〇,融合...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李勇明，閆瑾，王品，何璇，呂洋，謝文斌，
申請(專利權(quán))人：重慶大學，
類型：發(fā)明
國別省市：重慶;85
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。