[发明专利]中医数据的多标签分析技术

权利要求书

1.中医数据的多标签分析技术，其特征在于，包括以下具体步骤：

S1、收集中医图像数据信息，得到样本数据集A；

S2、对样本数据集A中的每个样本图像进行处理，得到多组图像样本B；

S3、将样本数据集A中每个样本图像标注的病例标签进行多标签处理，每个样本图像均映射相同数量的标签，得到多标签训练样本集C；

S4、将多组图像样本B作为多输出卷积神经网络的输入，将多标签训练样本集C作为输出，对卷积神经网络进行训练，得到卷积神经网络病例模型；

S5、在卷积神经网络病例模型中根据样本数据集A中的每个样本图像与多标签训练样本集C的对应关系，构建样本图像与标签组的视觉相似邻引索；

S6、将获取的待分析中医图像数据信息输入卷积神经网络病例模型，获得对应待分析中医图像数据信息的病例数据。

2.根据权利要求1所述的中医数据的多标签分析技术，其特征在于，卷积神经网络为采用任意的网络结构。

3.根据权利要求1所述的中医数据的多标签分析技术，其特征在于，S1中的中医图像数据信息为已经进行病例分析确诊后的影像数据。

4.根据权利要求1所述的中医数据的多标签分析技术，其特征在于，S5中构建样本图像与标签组的视觉相似邻引索的方法包括以下具体步骤：

S51、基于样本数据集A中的每个样本图像与多标签训练样本集C的对应关系，构建高维特征向量；

S52、通过基于样本图像和基于量化相结合的方式为高维特征向量建立距离度量的视觉语义相似最近邻引索。

5.根据权利要求1所述的中医数据的多标签分析技术，其特征在于，S4中卷积神经网络病例模型获得的具体步骤包括：

S41、利用多标签训练样本集C，为每个标签构建一个二分类模型；

S42、将多组图像样本B作为多输出卷积神经网络的输入，将多标签训练样本集C作为输出；

S43、利用卷积神经网络模型的真实输出与期望输出的交叉损失函数作为网络训练的目标函数，对卷积神经网络进行训练，得到卷积神经网络病例模型。

6.根据权利要求1所述的中医数据的多标签分析技术，其特征在于，S2中对每个样本图像中能表现病例特征的区域进行切割，以得到多组图像样本B。