[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

说明书

本发明提出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，引入了前馈神经网络技术，配合生物传热数学模型以及正常组织与异常组织产热不同建立模型等，通过对建模产生的数据用以训练前馈神经网络，使之达到最佳拟合状态，来提高对新数据的预测准确率。在此基础上，对数据进行扁平化处理，使得其中一个模型产生多个数据构成的矩阵成为一个向量，建立多个模型，得到一个含多个模型数据组成的数据集，同时增加异常组织在正常组织内的角度参数，提高对异常组织的状态预测。本发明可使给定比例椭球体异常组织大小和位置的预测准确率大于98%，并发现异常组织姿态角度准确程度的预测则与异常组织不规则程度显著相关，起到了辅助科研的作用。

技术领域

本发明属于机器学习，生物组织表面温度分布的建模技术领域，尤其涉及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。

背景技术

生物组织在细胞分裂和分化过程中，受自身基因特性和环境因素的影响，细胞便可能发生病变，在一定区域的生物组织内形成异常组织，对生物体正常生理活动造成影响。那么对于及时发现异常组织，并且预测其特征，对于生物研究有一定的帮助，预测结果经过进一步处理便可得到生物体体内有效的异常组织图像，而人工神经网络则是一种用于处理预测结果的方法。

发明内容

本发明所基于的理论基础在于：生物体异常组织部位的温度与健康组织相比，存在一定的差异，故可将异常组织区域的温度异常作为一种生物组织中含有异常组织特征诊断的有效指标，并且采用有限元方法对一维非稳态生物热方程进行求解。通过红外热成像技术来获取生物组织表面红外辐射导致的热成像图，从而获得最终的温度分布，进一步可以发现生物组织表面温度分布存在异常组织大小和位置有关的信息。

因此，本发明的目的在于提供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，生物组织模型温度分布通过有限元方法求解偏微分Pennes生物传热方程获得，并同时作为神经网络模型训练的数据基础。相比理想的球形，椭球形异常组织包含除了位置和大小之外的姿态参数，因此可以通过改变异常组织的大小和位置来模拟多个训练案例，用于产生足够的数据来训练创建的神经网络。此外，本发明还通过观察所产生结果的均方根误差的变化来确定神经网络模型隐藏层的最优神经元个数，利用仿真数据确定模型的训练精度，以及利用测试数据来验证模型的性能。因此，探究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具有十分重大的意义。

其引入了前馈神经网络技术，配合生物传热数学模型以及正常组织与异常组织产热不同建立模型等，通过对建模产生的数据用以训练前馈神经网络，使之达到最佳拟合状态，来提高对新数据的预测准确率。在此基础上，对数据进行扁平化处理，使得其中一个模型产生多个数据构成的矩阵成为一个向量，建立多个模型，得到一个含多个模型数据组成的数据集，同时增加异常组织在正常组织内的角度参数，提高对异常组织的状态预测。本发明可使给定比例椭球体异常组织大小和位置的预测准确率大于98％，并发现异常组织姿态角度准确程度的预测则与异常组织不规则程度显著相关，起到了辅助科研的作用。

本发明解决其技术问题采用的技术方案是：

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；