[发明专利]一种人体组织鉴别分类方法、系统、计算机设备及介质

权利要求书

1.一种人体组织鉴别分类方法，其特征在于，所述方法包括以下步骤：

获取人体组织的介电特性数据集，并按照预设比例将所述介电特性数据集，划分为训练集和验证集；所述介电特性数据集包括介电特性数据和对应的分类标签；

根据所述训练集的色散频率特征，构建深度学习神经网络；

根据所述训练集对所述深度学习神经网络进行训练，得到人体组织鉴别分类模型；

将所述验证集内待鉴别介电特性数据输入所述人体组织鉴别分类模型进行鉴别分类，得到对应的分类结果。

2.如权利要求1所述的人体组织鉴别分类方法，其特征在于，所述获取人体组织的介电特性数据集的步骤包括：

获取人体组织样本，并根据所述人体组织样本确定待测量部位；所述人体组织样本包括切除的肿瘤及所述肿瘤的周边组织；

采用开端同轴法，重复测量所述人体组织样本各个待测量部位的介电特性，得到对应预设组数的反射系数，并根据所述反射系数，计算得到对应的所述介电特性数据；

将所述人体组织样本的各个待测量部位分别制成对应的待测量病理切片，并根据组织病理学对各个待测量病理切片进行鉴别分类，得到各个待测量部位的所述分类标签。

3.如权利要求2所述的人体组织鉴别分类方法，其特征在于，所述根据所述反射系数，计算得到对应的所述介电特性数据的步骤包括：

校准确定开端同轴探头的特征参数；

根据所述开端同轴探头的特征参数和人体组织样本各个待测量部位的各个反射系数，计算得到对应预设组数的初始介电特性数据；所述初始介电特性数据表示为：

式中，f和ρ分别表示测量频率和测量得到的反射系数；λ₁，λ₂和λ₃均表示开端同轴探头的特征参数；Re(·)和Im(·)分别表示取实部运算和虚部运算；ε_r和σ分别表示待测量部位的相对介电常数和电导率；

将所述人体组织样本各个待测量部位的所述初始介电特性数据依次采用均值滤波和低通滤波进行预处理，得到对应的所述介电特性数据。

4.如权利要求1所述的人体组织鉴别分类方法，其特征在于，所述深度学习神经网络依次包括输入层、介电特征提取层、介电特征融合层和输出层；所述介电特征融合层包括多个全连接层；

所述根据所述训练集的色散频率特征，构建深度学习神经网络的步骤包括：

根据所述训练集内介电特性数据的相对介电常数和电导率，设置所述介电特征提取层；所述介电特征提取层包括相对介电常数特征提取层和电导率特征提取层；

根据所述色散频率特征的色散频段，分别设置所述相对介电常数特征提取层和电导率特征提取层；所述相对介电常数特征提取层和电导率特征提取层均包括频段特征提取层和频段特征融合层；所述频段特征提取层包括多个不同频段的色散频段特征提取层；所述色散频段特征提取层包括第一卷积层和第一池化层；所述频段特征融合层包括第二卷积层和第二池化层。

5.如权利要求1所述的人体组织鉴别分类方法，其特征在于，所述将所述验证集内待鉴别介电特性数据输入所述人体组织鉴别分类模型进行鉴别分类，得到对应的分类结果的步骤包括：

判断所述待鉴别介电特性数据的测量频率与所述训练集内介电特性数据的测量频率是否一致；

若所述待鉴别介电特性数据的测量频率与所述训练集内介电特性数据的测量频率一致，则采用所述人体组织鉴别分类模型对所述待鉴别介电特性数据进行鉴别分类，得到所述分类结果，反之，则通过Cole-Cole模型对所述待鉴别介电特性数据进行插值拟合，得到归一化待鉴别介电特性数据，并采用所述人体组织鉴别分类模型对所述归一化待鉴别介电特性数据进行鉴别分类，得到所述分类结果。