[发明专利]基于前馈神经网络的生物组织内含异常组织特征预测方法

权利要求书

1.一种基于前馈神经网络的生物组织内含异常组织特征预测方法，其特征在于，包括以下步骤：

步骤S1：构建生物组织的几何模型；

步骤S2：通过有限元方法结合边界条件和初始条件，求解偏微分Pennes生物传热方程，以获取生物组织温度分布；

步骤S3：设计多个不同参数以构建多个不同的模型；

步骤S4：对步骤S3构建获得的多个模型进行仿真，并将仿真数据结果导出并进行整理，按照一定比例分别作为训练集，验证集和测试集；

步骤S5：构建前馈神经网络，将训练集和验证集数据输入到神经网络中对其进行训练和验证；

步骤S6：利用RMSE误差，得出最佳神经元数量；

步骤S7：设置神经网络参数并进行训练和调整以达到最佳拟合；

步骤S8：利用训练完成的神经网络对生物组织内含异常组织特征进行预测。

2.根据权利要求1所述的基于前馈神经网络的生物组织内含异常组织特征预测方法，其特征在于：步骤S1具体包括以下步骤：

步骤S11：构建两个不同的生物组织，第一生物组织为半椭球形，第二生物组织为椭球形，镶嵌在第一生物组织内部；

步骤S12：分别设置两种生物组织材料属性参数。

3.根据权利要求2所述的基于前馈神经网络的生物组织内含异常组织特征预测方法，其特征在于，步骤S12生物组织材料属性参数包括组织的密度，比热容，组织温度，导热系数，血液灌注项，代谢产热率，以及分布体积热源，两种生物组织属性参数不同。

4.根据权利要求1所述的基于前馈神经网络的生物组织内含异常组织特征预测方法，其特征在于，步骤S2具体包括以下步骤：

步骤S21：将整个生物组织的几何模型分成若干个有限区间，结合边界条件绝对压强和外部温度，且结合初始条件生物组织温度和异常组织温度；

步骤S22：对若干个有限区间求解偏微分Pennes生物传热方程，求解出模型表面的温度分布数据，所述Pennes生物传热方程表示为：

其中，符号为哈密顿算子，下标i用于表示不同生物组织的属性，其中“0”表示正常生物组织“1”表示异常生物组织；下标b则用于描述血液的热属性；参数ρ_i，c_i，T_i，k_i，分别表示组织的密度，比热容，组织温度，导热系数以及动脉温度；Q_b，Q_m以及Q_s分别表示血液灌注项，代谢产热率，以及分布体积热源。

5.根据权利要求1所述的基于前馈神经网络的生物组织内含异常组织特征预测方法，其特征在于，在步骤S3中，所设计的多个不同参数包括：生物组织大小、异常组织大小、异常组织位置和异常组织旋转角度；

其中，生物组织选用4种尺度大小，异常组织半径的范围为5mm-30mm；异常组织形状设定为椭球体，其abc半轴比例假定为9:8:6，同时在给定模型的范围内随机生成6个异常组织坐标；接着，将这些坐标分配给不同异常组织半径的模型；并针对椭球型加入θ和ψ这对角度参数，两组角度参数结合成4种姿态；θ和ψ通过三维球面定义异常组织的旋转角度，其中，θ为椭球以y轴为旋转轴，由z轴正半轴向x轴正半轴旋转，ψ为椭球以z轴为旋转轴，由x轴正半轴向y轴正半轴旋转。

6.根据权利要求1所述的基于前馈神经网络的生物组织内含异常组织特征预测方法，其特征在于：步骤S4中，仿真结果输出的数据组成包括各个点的X、Y、Z坐标，以及该点对应的温度值。

7.根据权利要求1所述的基于前馈神经网络的生物组织内含异常组织特征预测方法，其特征在于，步骤S5中构建的前馈神经网络是指选用Sigmoid函数作为激活函数，选用Levenberg-MarQuardt算法作为训练函数，并通过反向传播来调整神经元之间的权重和偏差；同时将模型仿真出来的数据经过扁平化处理，输入端神经网络中进行训练。