[发明专利]一种基于深度神经网络的回归分析模型构建方法

权利要求书

1.一种基于深度神经网络的回归分析模型构建方法，其特征在于，包括以下步骤：

步骤一，训练集和测试集的构造：在生物体仿真模型内植入给定坐标和半径的光源，获得实际光源坐标和实际光源半径，光源在生物体表面形成生物体表面光分布信息，生物体表面光分布信息包括光分布坐标和光亮度；光分布坐标和光亮度为训练集的样本数据，实际光源坐标和实际光源半径为训练集的标签数据；

测试集的构造过程与训练集的构造过程相同；

步骤二、模型训练：

将步骤一得到的训练集输入到深度神经网络的回归分析模型中进行训练，获得训练集的样本数据和训练集的标签数据之间的非线性映射关系，测试集用于模型检测。

2.根据权利要求1所述的基于深度神经网络的回归分析模型构建方法，其特征在于，所述的深度神经网络的回归分析模型包含线性层、卷积层、最大池化层和激活层。

3.根据权利要求1或2所述的基于深度神经网络的回归分析模型构建方法，其特征在于，所述的深度神经网络的回归分析模型以MSEloss为损失函数，用于评估预测值和真实值间的误差。

4.根据权利要求1或2所述的基于深度神经网络的回归分析模型构建方法，其特征在于，在南加州大学数字鼠仿真模型上进行训练集和测试集的构造；

南加州大学数字鼠仿真模型为由CT成像切片数据中所提取的组织信息获得的数字鼠模型，模型尺寸为38.0mm×20.8mm×35.0mm，划分为六个组织器官，从上到下分别为心脏、肺、肝、胃、肾和肌肉。

5.根据权利要求1或2所述的基于深度神经网络的回归分析模型构建方法，其特征在于，为了定量地评估深度神经网络的回归分析模型的回归分析性能，使用定位误差LE和体积偏差度VD作为评价指标来衡量重建光源的坐标信息和体积信息；

定位误差LE用于衡量重建光源的中心和真实光源的中心的欧几里得距离，其公式如下：

其中重建光源的中心坐标为(x_cons,y_cons,z_cons),真实光源的中心坐标为(x_true,y_true,z_true)；

体积偏差度VD用于衡量重建光源和真实光源体积的偏差，其公式如下：

其中V_cons为重建光源的体积，V_true为真实光源的体积。