[发明专利]淋巴结疾病智能诊断系统中的数据处理方法

说明书

技术领域

本发明属于一种基于分类识别的数据处理方法，更具体的说，是一种淋巴结疾病智能诊断系统中的数据处理方法。

背景技术

淋巴结疾病是影响人类身体健康的疾病之一。而在淋巴结疾病中，淋巴结肿瘤的危害更为明显。因此，为了能够对患者选择合适的治疗计划，准确地诊断肿瘤患者的淋巴结及淋巴结部位病变显得至关重要。由于淋巴结切除的部位活体检查巨额费用且次手术带来的侵袭性，将会引起不少负面影响；因而早期诊断对于淋巴结病显得尤为重要。近来，基于医学图像的人工淋巴结疾病诊断方法在淋巴结疾病的诊断中具有着重大作用，它对全身淋巴结进行评估是采用非侵袭性的技术，因此诊断对于身体的侵害降至了最低。

随着医学图像的人工诊断方法的快速发展，为了能够对愈加复杂的医学图像进行分析与处理，支持向量机法成为近年来人工智能诊断的一个研究热点，但由于淋巴结疾病的参数特征较多，直接利用支持向量机的训练模型进行诊断识别，数据处理复杂，诊断时间较长，难以满足临床应用。

发明内容

针对现有技术的不足，本发明的目的是提供一种淋巴结疾病智能诊断系统中的数据处理方法，该方法通过研究各个样本的相关特征，实现了基于多特征的自动淋巴结疾病诊断，同时结合了假设检验、前向选择以及粒子群优化最小二乘支持向量机(LS-SVM)，这样使得在较快诊断的同时实现较高的准确率。

为了达到上述目的，本发明所采用的具体技术方案如下：

一种淋巴结疾病智能诊断系统中的数据处理方法，其关键在于按照以下步骤进行：

步骤1：将样本数据进行归一化处理，使其处于预设区间范围内，该样本数据包括M个患者数据和N个非患者数据；

步骤2：基于P-value算法对归一化后的数据进行特征选择；

步骤3：基于前向特征选择对步骤2所选择出的特征作进一步筛选；

步骤4：按照步骤3所筛选出的特征，构建LS-SVM训练模型；

步骤5：按照步骤1的方式对测试数据进行归一化处理，并选择步骤3所筛选出的特征带入步骤4所构建的LS-SVM训练模型中进行分类识别，输出分类结果。

作为进一步描述，每个样本数据包括的特征有：性别，男性为1，女性为0；年龄；肺部病灶PET-CT SUV值；吸烟状况，从不吸烟为0，过去吸烟为1，现在吸烟为2；切下病灶标本的大小；PET-CT检查大小；平扫CT最大直径；增强CT最大直径；PET-CT检查淋巴结SUV值；淋巴结最短径MM；孤立或融合状况，孤立为0，融合为1；纵横径比；坏死情况，有坏死为1，无坏死为0；边界情况，边界清晰为0，不清晰为1；强化方式，无强化为0，强化均匀为1，强化不均匀为2。

再进一步描述，步骤1中的归一化处理按照：

y＝(y_max-y_min)·(x-x_min)/(x_max-x_min)+y_max进行，其中y_min为预设区间范围的最小值，y_max为预设区间范围的最大值，每一特征数据中的最大值为x_max，每一特征数据中最小值为x_min，x为归一化前的特征数据，y为归一化后的特征数据。

结合具体应用，步骤1中归一化处理的预设区间范围为(0,10)；步骤2中P-Value算法的判定阈值为0.05。

作为优选，所述步骤4中建立LS-SVM训练模型时所选择的LS-SVM类型为c，算法的内核为RBF神经网络模型，并运用了网格搜索法和交叉验证法相结合的方式进行参数寻优。

本发明的显著效果是：

首先对数据进行归一化处理，进而利用了P值检验和前向特征选择的方法对各项指标进行优化筛选，之后利用最小二乘支持向量机训练出符合准确率的诊断系统，完成淋巴结疾病的智能诊断，数据特征维数少，缩短了诊断时间，并保证了诊断系统的准确率。

附图说明

图1是本发明的方法流程图；

图2是基于LS-SVM的诊断模型建立的控制流程图；

图3是网格搜索法的控制流程图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

如图1所示，一种淋巴结疾病智能诊断系统中的数据处理方法，按照以下步骤进行：