[发明专利]一种基于数据融合的分类预测方法、装置及存储介质

说明书

本发明涉及模式识别技术领域，具体涉及一种基于数据融合的分类预测方法、装置及存储介质，所述方法为：首先将采集的样本数据标记为恶性样本或良性样本，将标记后的样本数据构建为样本数据集，所述样本数据为乳腺肿块细胞核数据；接着对样本数据集进行预处理和归一化，得到归一化数据集，将所述归一化数据集分为训练集和测试集；通过采用多个神经网络对归一化数据集进行训练，并通过AdaBoost算法集成三网生成集成分类器；最后实时获取测试数据，将所述测试数据输入集成分类器得到诊断结果，本发明还相应的提供了分类预测装置和存储介质，本发明可以对乳腺肿瘤获得稳定性和准确率更优的分类预测效果。

技术领域

本发明涉及模式识别技术领域，具体涉及一种基于数据融合的分类预测方法、装置及存储介质。

背景技术

乳腺癌是全世界女性死亡的主要原因之一。据统计，早期准确的乳腺癌诊断，可使超过30％的乳腺癌患者活的更久。传统的乳腺癌诊断检查为细针穿刺细胞学(FNAC)和乳房X光检查，均存在一定的缺陷：FNAC分析取决于病理学、放射学和肿瘤学专家的联合诊断，诊断结果可能因人而异，诊断过程耗时耗力；基于X光技术的诊断也存在对X光图像理解因人而异的缺陷。

因此，如何在早期阶段提供一种辅助专业医护人员对乳腺进行分析的方法，可以稳定、准确的对乳腺肿瘤进行分类预测具有重大的社会和医学价值。

发明内容

为解决上述问题，本发明提供一种基于数据融合的分类预测方法、装置及存储介质，可以对乳腺肿瘤获得稳定性和准确率更优的分类预测效果。

为了实现上述目的，本发明提供以下技术方案：

根据本发明第一方面实施例的一种基于数据融合的分类预测方法，包括：

将采集的样本数据标记为恶性样本或良性样本，将标记后的样本数据构建为样本数据集，所述样本数据为乳腺肿块细胞核数据；

对样本数据集进行预处理和归一化，得到归一化数据集，将所述归一化数据集分为训练集和测试集；

采用多个神经网络对归一化数据集进行训练，并通过AdaBoost算法集成三网生成集成分类器；

实时获取测试数据，将所述测试数据输入集成分类器得到诊断结果。

进一步，所述恶性样本的观测标签为1，良性样本的观测标签为-1。

进一步，所述对样本数据集进行预处理和归一化，得到归一化数据集，具体为：

根据标记将样本数据集划分为恶性样本集和良性样本集；

利用逐步回归法对样本数据集进行预处理，得到降维后的数据集；

分别对恶性样本集和良性样本集进行数据归一化，得到归一化数据集，其中，恶性样本集的特征值取值范围在0到1之间，良性样本集的特征值在-1到0之间。

进一步，所述采用多个神经网络对归一化数据集进行训练，并通过AdaBoost算法集成三网生成集成分类器，具体包括：

将归一化数据集输入多个神经网络进行训练，每个神经网络得到一组弱分类器，每组弱分类器包含多个弱分类器，每个弱分类器具有各自的权重；

将测试集输入每组弱分类器，得到测试结果，测试结果包括判断错误和判断正确；

根据测试结果将训练集划分为测试错误集和测试正确集；

获取全部的弱分类器，以及每个弱分类器的权重；

根据每个神经网络的弱分类器得到该神经网络的强分类器；

根据各个强分类器得到集成分类器。