基于机器学习的肾脏疾病自动检测的方法和系统与流程

1.本公开内容涉及用于图像分析和使用图像分析的医疗诊断测试的系统和方法，更具体地，本公开内容涉及一种基于机器学习的肾脏疾病自动检测的方法和系统。


背景技术：

2.医学影像是指为了医疗或医学研究，对人体或人体某部位以非侵入方式取得内部影像的技术和处理过程。随着各种科学技术的迅速发展，医学影像处理技术也有了飞速的进步，但随着科学技术的发展和医学影像应用的推广，有越来越多的医学影像需要医生解读，医学影像解读逐渐成为一个挑战性的工作。传统的医学影像的解读、诊断过程主要依靠有经验的医生，这个过程具有主观性，加之人工的医学影像解读过程中也会出现由于医生的认知能力限制或疲劳而产生解读错误的现象，从而造成误诊，这些缺陷都表明了使用有效的医学影像分析技术对于改善疾病诊断结果精确度的重要性。
3.人工智能技术由机器学习、计算机视觉等不同领域组成，其目的是生产出类似于人类的智慧机器。针对医学影像解读存在的问题，研究人员将图像处理技术和人工智能技术应用到医学影像诊断中，从而实现了医学影像自动分析以及辅助医生做出医学诊断的作用，能够有效减轻医生的工作量。


技术实现要素：

4.针对上述问题，本发明旨在提供一种基于机器学习的肾脏疾病自动检测的方法和系统。
5.本发明创造的目的通过以下技术方案实现：
6.基于机器学习的肾脏疾病自动检测的方法和系统，包括肾脏影像收集模块、肾脏影像管理模块，肾脏影响智能诊断模块和肾脏疾病分类模块；
7.肾脏影像收集模块：用于收集患者各种类型的肾脏疾病影像，肾脏影像来源包括intervar(位点致病性评判)、genereviews(疾病数据库)以及院内患者肾脏影像；
8.肾脏影像管理模块：包括肾脏影像预存储单元和肾脏影像更新单元，肾脏影像预存储单元用来预先存储肾脏影像收集模块收集到的各种类型的肾脏影像，通过肾脏影像更新单元，筛选带有肾脏疾病诊断标签的肾脏影像，清洗噪点过大，缺省或不相关的影像，之后更新肾脏影像训练集；
9.肾脏影像智能诊断模块，包括肾脏影像处理单元和肾脏影像数据库，肾脏影像处理单元通过分析带有肾脏疾病诊断标签的肾脏影像，平扫影像提取肾脏影像的疾病特征，通过肾脏影像更新单元更新后的肾脏影像作为训练集，建立机器学习模型，实现对需要判别的肾脏影像自动检测疾病，将训练好的带有肾脏疾病诊断标签的肾脏影像保存至肾脏影像数据库，生成可判别的肾脏影像自动检测疾病的模型以方便下次无需再次训练，直接使用；
10.肾脏疾病分类模块对肾脏影像智能诊断模块判别出的肾脏疾病进一步分类，以保
证使用该系统的患者通过自检肾脏影像能获得诊疗方案。
11.进一步的，肾脏影像收集模块从intervar(位点致病性评判)、genereviews(疾病数据库)以及院内患者肾脏影像的来源中收集，并汇总至sql数据库进行在线管理。
12.进一步的，肾脏影像更新单元，筛选带有肾脏疾病诊断标签的肾脏影像，标签包括钙化灶、肾盏肾盂密度、肾髓质、囊肿和癌栓。
13.进一步的，肾脏影像处理单元采用最大熵多阈值分割法对所述待诊断的肾脏影像进行图像分割，并采用粒子群算法确定所述肾脏影像处理单元中采用的最大熵多阈值分割法的最佳组合阈值。
14.进一步的，在所述粒子群算法中，粒子群采用下列方式对粒子的解进行迭代更新：
[0015]vi
(t+1)＝ωvi(t)+c
i1
(t)r1(pbesti(t）-xi(t))+c
i2
(t)r2(gbest(t)-xi(t))
[0016]
xi(t+1)＝xi(t)+vi(t+1)
[0017]
式中，xi(t+1)和vi(t+1)分别表示粒子i在第(t+1)次迭代时的解和速度，xi(t)和vi(t)分别表示粒子i在第t次迭代时的解和速度，ω表示惯性权重因子，pbesti(t)表示粒子i在第t次迭代时的历史最优解，gbest(t)表示粒子群在第t次迭代时的全局最优解，r1和r2表示随机产生的0到1之间的随机数，c
i1
(t)表示粒子i在第t次迭代时的认知学习因子，c
i2
(t)表示粒子i在第t次迭代时的社会学习因子。
[0018]
进一步的，设置粒子群采用下列方式调节粒子i在第t次迭代时的认知学习因子c
i1
(t)和社会学习因子c
i2
(t)的值：
[0019]
设ωi(t)表示粒子i在第t次迭代时的局部邻域，且ωi(t)为以解xi(t)为中心、以r(t)为半径的圆形区域，r(t)为粒子群在第t次迭代时的局部邻域半径，设置r(t)的值为：其中，ri(t)表示粒子i在第t次迭代时的局部邻域半径，且(t)表示粒子i在第t次迭代时的局部邻域半径，且表示在第t次迭代时粒子群中距离解xi(t)第l近的粒子的解，c表示给定的正整数，且c＜n，n表示粒子群中的粒子数；ω
i,best
(t)表示粒子i在第t次迭代时的历史最优邻域，且ω
i,best
(t)为以解pbesti(t)为中心、以r(t)为半径的圆形区域，r(t)为粒子群在第t次迭代时的历史最优邻域半径，且其中，ri(t)表示粒子i在第t次迭代时的历史最优邻域半径，且式中，表示在第t次迭代时粒子群中距离解pbesti(t)第a近的粒子的解；
[0020]
定义函数qi(t)用于对粒子i在第t次迭代时的寻优匀称度进行检测，设置qi(t)的计算公式为：
[0021][0022]
式中，qi(t)表示粒子i在第t次迭代时的寻优匀称度，ji(t)表示粒子i在第t次迭代时的局部寻优匀称度，si(t)表示粒子i在第t次迭代时的历史寻优匀称度，ji(t)和si(t)的值分别为：
[0023][0024][0025]
式中，xj(t)表示粒子j在第t次迭代时的解，xb(t)表示粒子b在第t次迭代时的解，且xj(t)≠xb(t)，xk(t)表示粒子k在第t次迭代时的解，xo(t)表示粒子o在第t次迭代时的解，且xk(t)≠xo(t)，λ
i,j
(t)为在第t次迭代时用于粒子i和粒子j之间的寻优判断函数，设fi(t)和fj(t)分别表示粒子i和粒子j在第t次迭代时的适应度函数值，则λ
i,b
(t)为在第t次迭代时用于粒子i和粒子b之间的寻优判断函数，设fb(t)表示粒子b在第t次迭代时的适应度函数值，则m
i,best
(t)表示历史最优邻域ω
i,best
(t)中的粒子数；
[0026]
当qi(t)＜h
q1
(t)或qi(t)＞h
q2
(t)时，则c
i1
(t)和c
i2
(t)的值分别调整为：
[0027][0028][0029]
当h
q1
(t)≤qi(t)≤h
q2
(t)时，则c
i1
(t)和c
i2
(t)的值分别调整为：
[0030][0031][0032]
上式中，α和β为两个常数，用于控制c
i1
(t)和c
i2
(t)的范围，h
q1
(t)为粒子群在第t次迭代时的全局寻优匀称度的下限值，且h
q2
(t)为粒子群在第t次迭代时的全局寻优匀称度的上限值，且其中，表示粒子群中粒子在第t次迭代时的寻优匀称度的均值，且t
max
为给定的最大迭代次数。
[0033]
进一步的，利用反向传播算法对肾脏影像智能诊断模块判别出的肾脏疾病进一步分类，以保证使用该系统的患者通过自检肾脏影像能获得诊疗方案，具体步骤如下：
[0034]
首先搭建m层神经网络，对于第m+1层网路的输出，有：
[0035]am+1
＝f
m+1
(w
m+1am
+b
m+1
),m＝0,1,
…
,m-1
[0036]
其中，m是网络层数，a是神经网络的输出结果，即肾脏疾病的类别，存在a0＝p和a＝am，a
m+1
是第m+1层神经网络的输出结果，am是第m层神经网络的输出结果，f
m+1
是第m+1层神
经网络的激励函数，w
m+1
是第m+1层神经网络的权重，b
m+1
是第m+1层神经网络的偏置，假设对于每一类肾脏疾病特征的输入p，都存在一个对应的肾脏疾病类型输出t，可建立如下对应关系：
[0037]
{p1,t1},{p2,t2},
…
,{pq,tq},
…
,{pq,tq}
[0038]
其中，p1是第1个肾脏影像特征的输入，t1是对应第1个分类的期望输出，p2是第2个肾脏影像特征的输入，t2是对应第2个分类的期望输出，pq是第q个肾脏影像特征的输入，tq是对应第q个分类的期望输出，pq是第q个肾脏影像特征的输入，tq是对应第q个分类的期望输出，算法将调整网络参数以使均方误差最小化：f(x)＝e[(t-a)2]＝e[(t-a)
t
(t-a)]，可令e＝t-a表示期望输出与预测输出的误差，其中，f表示均方误差，x表示f的自变量，此时自变量包括t和a，e表示数学期望，(t-a)
t
表示误差的转置，用代替f(x)以近似计算均方误差：其中k为第k次迭代，近似均方误差的最速下降法为：的最速下降法为：其中α为学习速度，表示在第m层神经网络第k+1次迭代下第i个元素对第j元素的权重，表示在第m层神经网络第k次迭代下第i个元素对第j元素的权重，定义链式法则为：
[0039][0040]
若f(n)＝e^n且n＝2w,则f(n(w))＝e^{2w}，有若f(n)＝e^n且n＝2w,则f(n(w))＝e^{2w}，有那么利用链式法则和可写成：对于第m层的净输入n，有：其中，s表示敏感性，s
m-1
表示第m-1层神经网络的敏感性，表示在m层神经网络中第i个元素的净输入，表示在m-1层神经网络中第j个元素的输出，表示在m层神经网络中第i个元素的偏置，因此：若定义：则和可化简为：利用近似最速下降法表示为：
[0041][0042][0043]
其中，表示在m层神经网络第k+1次迭代中第i个元素的偏置，那么矩阵形式可表示为：
[0044]
wn(k+1)＝wm(k)-αsm(a
m-1
)
t
[0045]bm
(k+1)＝bm(k)-αsm[0046]
其中，wm(k+1)表示wm(k+1)的矩阵形式，即m层神经网络第k+1次迭代后的权重集
合，这里sm有：
[0047][0048]
其中，表示近似误差对第m层的净输入求偏导，表示近似误差对第m层的第1个净输入求偏导，表示近似误差对第m层的第2个净输入求偏导，表示近似误差对第m层的第sm个净输入求偏导，记雅可比矩阵为：
[0049][0050]
其中，表示第m+1层神经网络的净输入对第m层神经网络的净输入的偏导，表示第m+1层神经网络的第1个净输入对第m层神经网络的第1个净输入的偏导，表示第m+1层神经网络的第1个净输入对第m层神经网络的第2个净输入的偏导，表示第m+1层神经网络的第1个净输入对第m层神经网络的第sm个净输入的偏导，表示第m+1层神经网络的第2个净输入对第m层神经网络的第1个净输入的偏导，表示第m+1层神经网络的第2个净输入对第m层神经网络的第2个净输入的偏导，表示第m+1层神经网络的第2个净输入对第m层神经网络的第sm个净输入的偏导，表示第m+1层神经网络的第s
m+1
个净输入对第m层神经网络的净输入的偏导，表示第m+1层神经网络的第s
m+1
个净输入对第m层神经网络的第1个净输入的偏导，表示第m+1层神经网络的第s
m+1
个净输入对第m层神经网络的第sm个净输入的偏导，表示第m+1层神经网络的第s
m+1
个净输入对第m层神经网络的第sm个净输入的偏导，考虑矩阵的i，j元素：
其中：那么雅可比矩阵可写成：其中：
[0051]fm
(nm)表示第m层神经网络净输入为nm时的目标函数，表示第m层神经网络净输入为时的目标函数，表示第m层神经网络净输入为时的目标函数，表示第m层神经网络净输入为时的目标函数，则通过矩阵形式的链式法则写出敏感性的递推关系式：的目标函数，则通过矩阵形式的链式法则写出敏感性的递推关系式：
[0052]
进一步的，利用反向传播算法和链式法则得到最优的训练权重，将患者的病症信息输入训练好的机器学习模型中，能够自动检测患者是否患有钙化灶、肾盏肾盂密度、肾髓质、囊肿和癌栓疾病。
[0053]
进一步的，对于建立好的机器学习模型，实现对需要判别的肾脏影像自动检测疾病，将训练好的带有肾脏疾病诊断标签的肾脏影像保存至肾脏影像数据库，生成可判别的肾脏影像自动检测疾病的模型以方便下次无需再次训练，直接使用，所述肾脏疾病分类模块对肾脏影像智能诊断模块判别出的肾脏疾病进一步分类，以保证使用该系统的患者通过自检肾脏影像能获得诊疗方案。
[0054]
本发明创造的有益效果：
[0055]
(1)将人工智能技术应用到肾脏影像分析中，建立基于肾脏影像的各人体部位对应的肿瘤诊断模型，能够有效的对人体各部位进行肿瘤诊断，实现了肾脏影像自动分析以及辅助医生做出医学肿瘤诊断的作用；
[0056]
(2)采用最大熵多阈值分割法对待诊断的肾脏影像进行图像分割，从而获得待诊断的肾脏影像中包含的人体部位图像，并采用粒子群算法确定采用的最大熵多阈值分割法的最佳组合阈值，从而提高了肾脏影像分割的准确度，为接下来的肿瘤诊断奠定了基础；
[0057]
(3)设置粒子群算法采用自适应变化的认知学习因子和社会学习因子对粒子群的迭代更新方式进行调节，从而平衡了粒子群算法的全局探索和局部开采，提高了粒子群算法的寻优精度和收敛速度，使得采用粒子群算法确定的最佳组合阈值具有较高的准确度。
附图说明
[0058]
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0059]
图1是本发明结构示意图。
具体实施方式
[0060]
基于机器学习的肾脏疾病自动检测的方法和系统，包括肾脏影像收集模块、肾脏影像管理模块，肾脏影响智能诊断模块和肾脏疾病分类模块；
[0061]
肾脏影像收集模块：用于收集患者各种类型的肾脏疾病影像，肾脏影像来源包括intervar(位点致病性评判)、genereviews(疾病数据库)以及院内患者肾脏影像。
[0062]
肾脏影像管理模块：包括肾脏影像预存储单元和肾脏影像更新单元，肾脏影像预存储单元用来预先存储肾脏影像收集模块收集到的各种类型的肾脏影像，通过肾脏影像更新单元，筛选带有肾脏疾病诊断标签的肾脏影像，清洗噪点过大，缺省或不相关的影像，之后更新肾脏影像训练集；
[0063]
肾脏影像智能诊断模块，包括肾脏影像处理单元和肾脏影像数据库，肾脏影像处理单元通过分析带有肾脏疾病诊断标签的肾脏影像，平扫影像提取肾脏影像的疾病特征，通过肾脏影像更新单元更新后的肾脏影像作为训练集，建立机器学习模型，实现对需要判别的肾脏影像自动检测疾病，将训练好的带有肾脏疾病诊断标签的肾脏影像保存至肾脏影像数据库，生成可判别的肾脏影像自动检测疾病的模型以方便下次无需再次训练，直接使用；
[0064]
肾脏疾病分类模块对肾脏影像智能诊断模块判别出的肾脏疾病进一步分类，以保证使用该系统的患者通过自检肾脏影像能获得诊疗方案。
[0065]
具体的，肾脏影像收集模块从intervar(位点致病性评判)、genereviews(疾病数据库)以及院内患者肾脏影像的来源中收集，并汇总至sql数据库进行在线管理。
[0066]
具体的，肾脏影像更新单元，筛选带有肾脏疾病诊断标签的肾脏影像，标签包括钙化灶、肾盏肾盂密度、肾髓质、囊肿和癌栓。
[0067]
优选的，医学图像处理单元采用最大熵多阈值分割法对所述待诊断的医学图像进行图像分割，并采用粒子群算法确定所述医学图像处理单元中采用的最大熵多阈值分割法的最佳组合阈值。
[0068]
优选的，设置粒子群的适应度函数为最大熵，粒子群中粒子的适应度函数越大，表明粒子寻优所得的解越好。
[0069]
具体的，本实施例采用最大熵多阈值分割法对待诊断的医学图像进行图像分割，从而获得待诊断的医学图像中包含的人体部位图像，并采用粒子群算法确定采用的最大熵多阈值分割法的最佳组合阈值，从而提高了医学图像分割的准确度，为接下来的肿瘤诊断奠定了基础。
[0070]
优选的，在所述粒子群算法中，粒子群采用下列方式对粒子的解进行迭代更新：
[0071]vi
(t+1)＝ωvi(t)+c
i1
(t)r1(pbesti(t)-xi(t))+c
i2
(t)r2(gbest(t)-xi(t))
[0072]
xi(t+1)＝xi(t)+vi(t+1)
[0073]
式中，xi(t+1)和vi(t+1)分别表示粒子i在第(t+1)次迭代时的解和速度，xi(t)和vi(t)分别表示粒子i在第t次迭代时的解和速度，ω表示惯性权重因子，pbesti(t)表示粒子i在第t次迭代时的历史最优解，gbest(t)表示粒子群在第t次迭代时的全局最优解，r1和r2表示随机产生的0到1之间的随机数，c
i1
(t)表示粒子i在第t次迭代时的认知学习因子，c
i2
(t)表示粒子i在第t次迭代时的社会学习因子。
[0074]
优选的，设置粒子群采用下列方式调节粒子i在第t次迭代时的认知学习因子c
i1
(t)和社会学习因子c
i2
(t)的值：
[0075]
设ωi(t)表示粒子i在第t次迭代时的局部邻域，且ωi(t)为以解xi(t)为中心、以r(t)为半径的圆形区域，r(t)为粒子群在第t次迭代时的局部邻域半径，设置r(t)的值为：其中，ri(t)表示粒子i在第t次迭代时的局部邻域半径，且(t)表示粒子i在第t次迭代时的局部邻域半径，且表示在第t次迭代时粒子群中距离解xi(t)第l近的粒子的解，c表示给定的正整数，且c＜n，c的值可以取10，n表示粒子群中的粒子数；ω
i,best
(t)表示粒子i在第t次迭代时的历史最优邻域，且ω
i,best
(t)为以解pbesti(t)为中心、以r(t)为半径的圆形区域，r(t)为粒子群在第t次迭代时的历史最优邻域半径，且其中，ri(t)表示粒子i在第t次迭代时的历史最优邻域半径，且式中，表示在第t次迭代时粒子群中距离解pbesti(t)第a近的粒子的解；
[0076]
定义函数qi(t)用于对粒子i在第t次迭代时的寻优匀称度进行检测，设置qi(t)的计算公式为：
[0077][0078]
式中，qi(t)表示粒子i在第t次迭代时的寻优匀称度，ji(t)表示粒子i在第t次迭代时的局部寻优匀称度，si(t)表示粒子i在第t次迭代时的历史寻优匀称度，ji(t)和si(t)的值分别为：
[0079][0080][0081]
式中，xj(t)表示粒子j在第t次迭代时的解，xb(t)表示粒子b在第t次迭代时的解，且xj(t)≠xb(t)，xk(t)表示粒子k在第t次迭代时的解，xo(t)表示粒子o在第t次迭代时的解，且xk(t)≠xo(t)，λ
i,j
(t)为在第t次迭代时用于粒子i和粒子j之间的寻优判断函数，设fi(t)和fj(t)分别表示粒子i和粒子j在第t次迭代时的适应度函数值，则λ
i,b
(t)为在第t次迭代时用于粒子i和粒子b之间的寻优判断函数，设fb(t)表示粒子b在第t次迭代时的适应度函数值，则m
i,best
(t)表示历史最优邻域ω
i,best
(t)中的粒子数；
[0082]
当qi(t)＜h
q1
(t)或qi(t)＞h
q2
(t)时，则c
i1
(t)和c
i2
(t)的值分别调整为：
[0083]
[0084][0085]
当h
q1
(t)≤qi(t)≤h
q2
(t)时，则c
i1
(t)和c
i2
(t)的值分别调整为：
[0086][0087][0088]
上式中，α和β为两个常数，用于控制c
i1
(t)和c
i2
(t)的范围，其中，α的值可以取1，β的值可以取0.5，h
q1
(t)为粒子群在第t次迭代时的全局寻优匀称度的下限值，且h
q2
(t)为粒子群在第t次迭代时的全局寻优匀称度的上限值，且其中，表示粒子群中粒子在第t次迭代时的寻优匀称度的均值，且t
max
为给定的最大迭代次数。
[0089]
具体的，利用反向传播算法对肾脏影像智能诊断模块判别出的肾脏疾病进一步分类，以保证使用该系统的患者通过自检肾脏影像能获得诊疗方案，具体步骤如下：
[0090]
首先搭建m层神经网络，对于第m+1层网路的输出，有：
[0091]am+1
＝f
m+1
(w
m+1am
+b
m+1
),m＝0,1,
…
,m-1
[0092]
其中，m是网络层数，a是神经网络的输出结果，即肾脏疾病的类别，存在a0＝p和a＝am，a
m+1
是第m+1层神经网络的输出结果，am是第m层神经网络的输出结果，f
m+1
是第m+1层神经网络的激励函数，w
m+1
是第m+1层神经网络的权重，b
m+1
是第m+1层神经网络的偏置，假设对于每一类肾脏疾病特征的输入p，都存在一个对应的肾脏疾病类型输出t，可建立如下对应关系：
[0093]
{p1,t1},{p2,t2},
…
,{pq,tq},
…
,{pq,tq}
[0094]
其中，p1是第1个肾脏影像特征的输入，t1是对应第1个分类的期望输出，p2是第2个肾脏影像特征的输入，t2是对应第2个分类的期望输出，pq是第q个肾脏影像特征的输入，tq是对应第q个分类的期望输出，pq是第q个肾脏影像特征的输入，tq是对应第q个分类的期望输出，算法将调整网络参数以使均方误差最小化：f(x)＝e[(t-a)2]＝e[(t-a)
t
(t-a)]，可令e＝t-a表示期望输出与预测输出的误差，其中，f表示均方误差，x表示f的自变量，此时自变量包括t和a，e表示数学期望，(t-a)
t
表示误差的转置，用代替f(x)以近似计算均方误差：其中k为第k次迭代，近似均方误差的最速下降法为：的最速下降法为：其中α为学习速度，表示在第m层神经网络第k+1次迭代下第i个元素对第j元素的权重，表示在第m层神经网络第k次迭代下第i个元素对第j元素的权重，定义链式
法则为：
[0095][0096]
若f(n)＝e^n且n＝2w,则f(n(w))＝e^{2w}，有若f(n)＝e^n且n＝2w,则f(n(w))＝e^{2w}，有那么利用链式法则和可写成：对于第m层的净输入n，有：其中，s表示敏感性，s
m-1
表示第m-1层神经网络的敏感性，表示在m层神经网络中第i个元素的净输入，表示在m-1层神经网络中第j个元素的输出，表示在m层神经网络中第i个元素的偏置，因此：若定义：则和可化简为：利用近似最速下降法表示为：
[0097][0098][0099]
其中，表示在m层神经网络第k+1次迭代中第i个元素的偏置，那么矩阵形式可表示为：
[0100]
wm(k+1)＝wm(k)-αsm(a
m-1
)
t
[0101]bm
(k+1)＝bm(k)-αsm[0102]
其中，wm(k+1)表示wm(k+1)的矩阵形式，即m层神经网络第k+1次迭代后的权重集合，这里sm有：
[0103][0104]
其中，表示近似误差对第m层的净输入求偏导，表示近似误差对第m层的第1个净输入求偏导，表示近似误差对第m层的第2个净输入求偏导，表示近似误差对第m层的第sm个净输入求偏导，记雅可比矩阵为：
[0105][0106]
其中，表示第m+1层神经网络的净输入对第m层神经网络的净输入的偏导，表示第m+1层神经网络的第1个净输入对第m层神经网络的第1个净输入的偏导，表示第m+1层神经网络的第1个净输入对第m层神经网络的第2个净输入的偏导，表示第m+1层神经网络的第1个净输入对第m层神经网络的第sm个净输入的偏导，表示第m+1层神经网络的第2个净输入对第m层神经网络的第1个净输入的偏导，表示第m+1层神经网络的第2个净输入对第m层神经网络的第2个净输入的偏导，表示第m+1层神经网络的第2个净输入对第m层神经网络的第sm个净输入的偏导，表示第m+1层神经网络的第s
m+1
个净输入对第m层神经网络的净输入的偏导，表示第m+1层神经网络的第s
m+1
个净输入对第m层神经网络的第1个净输入的偏导，表示第m+1层神经网络的第s
m+1
个净输入对第m层神经网络的第sm个净输入的偏导，表示第m+1层神经网络的第s
m+1
个净输入对第m层神经网络的第sm个净输入的偏导，考虑矩阵的i，j元素：个净输入的偏导，考虑矩阵的i，j元素：其中：那么雅可比矩阵可写成：其中：
[0107]fm
(nm)表示第m层神经网络净输入为nm时的目标函数，表示第m层神经网络净输入为时的目标函数，表示第m层神经网络净输入为时的目标函数，表示第m层神经网络净输入为时的目标函数，则通过矩阵形式的链式法则写出敏感性的递推关系式：
[0108]
具体的，利用反向传播算法和链式法则得到最优的训练权重，将患者的病症信息输入训练好的机器学习模型中，能够自动检测患者是否患有钙化灶、肾盏肾盂密度、肾髓质、囊肿和癌栓疾病。
[0109]
具体的，对于建立好的机器学习模型，实现对需要判别的肾脏影像自动检测疾病，将训练好的带有肾脏疾病诊断标签的肾脏影像保存至肾脏影像数据库，生成可判别的肾脏影像自动检测疾病的模型以方便下次无需再次训练，直接使用，所述肾脏疾病分类模块对肾脏影像智能诊断模块判别出的肾脏疾病进一步分类，以保证使用该系统的患者通过自检肾脏影像能获得诊疗方案。
[0110]
具体的，在将粒子群算法应用到确定最大熵多阈值分割法的最佳组合阈值时，粒子群算法容易出现粒子群的多样性不好，从而出现“早熟”现象，或者在加强粒子群的多样性的同时，减缓粒子群的收敛速度，从而出现浪费资源的问题。即在粒子群算法中，增加粒子的多样性和提高粒子的收敛速度是相互矛盾的，两者之间很难平衡。考虑到在粒子群算法中，认知学习因子保持较大的值有助于粒子大范围地搜索，从而提高粒子群的多样性，但会导致算法收敛速度较慢，而社会学习因子保持较大的值，有助于社会经验的学习，使得搜索结果快速收敛到最优解附近，从而提高算法的收敛速度，但搜索空间能力较弱，因此，本实施例通过采用自适应变化的认知学习因子和社会学习因子值来平衡粒子群算法的全局探索和局部开采，从而起到提高粒子群的多样性和提高收敛速度的作用。在粒子的迭代更新公式中，认知部分体现了粒子在探索中的自学习能力，反映了粒子对自身最好特性的追随趋势，社会部分体现了粒子向外界学习的能力，反映了粒子间协同合作与知识共享的群体行为。而认知学习因子和社会学习因子分别决定了认知部分和社会部分在粒子迭代更新过程中的贡献度。考虑到当粒子群中粒子对当前解空间寻优的较为均匀时，此时粒子群的多样性较好，并且具有较大概率寻找到全局最优解，因此，本实施例定义寻优匀称度用于衡量粒子对其所处解空间寻优的均匀性，本文在衡量粒子对其所处解空间进行寻优的匀称度时，不仅通过寻优匀称度中的局部寻优匀称度衡量粒子当前所处解空间寻优结果的匀称度，也通过寻优匀称度中的历史寻优匀称度衡量粒子的历史最优解所处解空间寻优结果的匀称度，从而在根据粒子的寻优匀称度增加粒子的认知学习因子的值时，粒子的认知部分能够更好的增加粒子的多样性。在粒子群中，当粒子个体的寻优匀称度相较于全局寻优匀称度较小或较大时，则表明粒子在当前探索中相较于全局并未对其所处的解空间进行充分的学习，因此，增加所述粒子的认知学习因子，减小所述粒子的社会学习因子，即加强其认知部分在迭代更新过中的贡献度，从而提高算法的多样性，当粒子个体的寻优匀称度相较于全局寻优匀称度较为适中时，则表明所述粒子在当前探索中相较于全局对其所处的解空间进行了充分的学习，因此，减小所述粒子的认知学习因子，增加所述粒子的社会学习因子，即加强其社会部分在迭代更新过程中的贡献度，从而提高算法的收敛速度。即通过寻优匀称度调节的认知学习因子和社会学习因子可以在保证粒子群在当前解空间的多样性较好的情况下提高粒子群算法的收敛速度，从而提高粒子群的寻优精度。
[0111]
本发明创造的有益效果：将人工智能技术应用到肾脏影像分析中，建立基于肾脏影像的各人体部位对应的肿瘤诊断模型，能够有效的对人体各部位进行肿瘤诊断，实现了
肾脏影像自动分析以及辅助医生做出医学肿瘤诊断的作用；采用最大熵多阈值分割法对待诊断的肾脏影像进行图像分割，从而获得待诊断的肾脏影像中包含的人体部位图像，并采用粒子群算法确定采用的最大熵多阈值分割法的最佳组合阈值，从而提高了肾脏影像分割的准确度，为接下来的肿瘤诊断奠定了基础；设置粒子群算法采用自适应变化的认知学习因子和社会学习因子对粒子群的迭代更新方式进行调节，从而平衡了粒子群算法的全局探索和局部开采，提高了粒子群算法的寻优精度和收敛速度，使得采用粒子群算法确定的最佳组合阈值具有较高的准确度。
[0112]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。