[发明专利]一种表征、血液数据、医疗图像融合的多种疑似疾病综合识别方法

权利要求书

1.一种表征数据、血液数据、医疗图像数据融合多种类疑似疾病综合识别方法融合多种类型数据，多特征数据，包括血液数据、各器官表征数据、血液细胞图像、器官组织医疗图像数据等多种数据。创建多种类数据疾病-特征-特征值关联模型，关联模型步骤如下：

Step1、创建主器官的疾病特征集合，将疾病放入集合{D1，D2.....，Dn}。

Step2、创建主器官的关联器官集合。

Step3、将主器官及关联器官的表征放入集合{C1，C2.....，Cn}。

Step4、添加血液特征项，放入集合{B1，B2，....，Bn}。

Step5、读器官血液细胞图像异常及其他器官组织图像异常，

添加异常特征项及值添加到特征图像集合，将图像放入集合{P1，P2，...，Pn}。

Step6、将表征集合{C1，C2，....，Cn}，血液集合{B1，B2，....，Bn}，图像集合{P1，P2，...，Pn}

放入疾病Dn的特征集合Fn{}，特征值为Fn_value。

Step7、抽取出疾病-特征＝特征值关联模型{Dn，Fn，Fn_value}。

2.一种表征、血液、医疗图像多数据融合疾病智能识别方法，其特征在于其包含一种多种类数据融合特征项对应的疾病识别概率计算模型，其疾病识别概率计算方法步骤如下：

Step1.对于某种疾病，读入每个样本的表征，抽取其对应的器官。

Step2.抽取其器官图像数据，血液细胞图像数据及其样本中的血液数据。

计算更新{Dn，Cn，Fn_value，rate}。

Step3.如果为血液异常特征项，增加该特征项的计数值。增加总特征项的计数值。

计算更新{Dn，Bn，Fn_value，rate}。

Step4.如果为血液细胞图像异常特征项，增加该特征项的计数值。

增加总特征项的计数值，计算更新{Dn，Pn，Fn_value，rate}。

Step5.如果为器官组织图像异常特征项，增加该特征项的计数值。

增加总特征项的计数值计算更新{Dn，Pn，Fn_value，rate}。

Step6.将各异常特征项计数值除以总特征项计数值得到疾病识别概率。

Step7.返回各特征项的疾病识别概率，即{Dn，Fn，Fn_value，rate}。

3.一种表征、血液、医疗图像多数据融合多种疑似疾病智综合识别方法，其特征在于其包含一种针对多种类数据多疾病特征融合，动态输入特征项至改进的神经网络框架计算智能识别的方法。通过模拟退火方法动态输入的疾病特征项作为输入层，设定外循环为疾病特征输入项，设定内层循环为疾病对应的特征作为输入项，通过改进的深度神经网络方法，调整参数，智能识别疾病。动态输入至改进的神经网络疾病识别框架，识别方法步骤如下：

Step1、输入病患个体的器官表征，抽取主器官及其关联的对应的器官。

Step2、将动态特征项作为神经网络的输入项及其概率读入输入层。

Step3、利用模拟退火最优化方法，

创建动态计算疾病诊断特征输入项及其概率作为输入层。

Step4、设定外循环为疾病特征输入项，将疾病放入集合{D1.D2......Dn}。

Step5、设定内层循环将疾病对应的表征{C1.C2.....Cn}，血液数据集合{B1.B2......Bn}读入。

以及设定内循环为图像数据特征项，血液细胞图像特征项{P1.P2......Pn}作为输入项。

从集合{Dn，Fn，Fn_value，rate}中选择输入项，条件为：

疑似疾病概率＝概率指标＝确认疾病指标，随机选择X项特征项作为输入项。

Fn_value已达到Warning_D_bound确定疾病范围内的随机选择特征项Y项作为输入项。

将X项，Y项特征项共同输入作为输入项。

Step6、突跳方法为输入项中疾病图像及血液细胞图像特征项Z项{P1.P2......Pn}及

将X项，Y项，Z项特征项输入作为输入项。X项，Y项，Z项特征项输入项不重叠。

Step7、内层的停止迭代的条件为满足疾病识别指标或满足内层迭代次数。

Step8、设定外层循环，内层循环参数，包括初始温度，退火后温度，内层循环迭代次数，

退火温度级别，总的循环迭代次数。

Step9、利用改进的深度神经网络算法，训练样本，自适应学习，调整参数，识别疾病。

Step10、输出此种疾病及其疾病识别确定概率，增加迭代。

Step11、目标函数：概率总和最大。