本發(fā)明涉及圖像數(shù)據(jù)重建，尤其涉及一種基于深度學習的生存曲線圖像數(shù)據(jù)重建方法。

背景技術(shù)：

1、隨著深度學習和人工智能技術(shù)的快速發(fā)展，數(shù)據(jù)重建技術(shù)在醫(yī)學、生物統(tǒng)計學領(lǐng)域得到了廣泛應用，生存曲線作為醫(yī)學統(tǒng)計和生物學研究的重要工具，用于描述事件隨時間變化的發(fā)生概率，例如患者的生存率或疾病復發(fā)率，然而，受限于數(shù)據(jù)采集設備的能力以及環(huán)境因素的干擾，生存曲線圖像數(shù)據(jù)的完整性和質(zhì)量往往難以保障，這對相關(guān)領(lǐng)域的研究和臨床應用帶來了諸多挑戰(zhàn)。

2、目前，針對生存曲線圖像數(shù)據(jù)的重建與優(yōu)化，傳統(tǒng)方法主要依賴于插值算法或統(tǒng)計建模技術(shù)，通過線性插值法在缺失點之間進行簡單的線性擬合來填補數(shù)據(jù)，統(tǒng)計建模方法則基于一定的數(shù)學模型對數(shù)據(jù)進行擬合，然而，傳統(tǒng)方法在實際應用中存在明顯的局限性，首先線性插值法過于簡單，僅能適用于數(shù)據(jù)變化趨勢較為線性的場景，無法準確還原生存曲線中可能存在的復雜非線性特征；其次，統(tǒng)計建模方法雖然能夠處理一定程度的非線性問題，但對模型假設的依賴較強，當數(shù)據(jù)缺失較多或質(zhì)量較差時，往往難以生成符合實際的生存曲線。

3、近年來，基于深度學習的圖像重建技術(shù)逐漸興起，并展現(xiàn)出強大的數(shù)據(jù)非線性建模和特征提取能力，一些研究嘗試利用卷積神經(jīng)網(wǎng)絡或生成對抗網(wǎng)絡對生存曲線圖像數(shù)據(jù)進行重建，但這些方法在實際應用中依然存在以下問題：一方面，現(xiàn)有深度學習模型對超參數(shù)設置和權(quán)重初始化的依賴較大，當輸入數(shù)據(jù)具有高噪聲或嚴重缺失時，模型容易陷入局部最優(yōu)；另一方面，現(xiàn)有方法往往忽略了醫(yī)學統(tǒng)計中生存曲線的統(tǒng)計特征和結(jié)構(gòu)一致性要求，導致重建結(jié)果的可信度不足。此外，目前的深度學習模型訓練過程計算成本較高，難以滿足實際應用中對高效性的需求。

4、綜上所述，現(xiàn)有技術(shù)在處理生存曲線圖像數(shù)據(jù)時，面臨著重建精度低、適應性差和計算成本高問題，無法有效滿足醫(yī)學統(tǒng)計和臨床研究中對生存曲線數(shù)據(jù)高質(zhì)量重建的需求，因此，亟需一種基于深度學習的改進方法，能夠針對生存曲線圖像數(shù)據(jù)的特性，結(jié)合優(yōu)化算法提升重建精度，同時提高模型的效率與魯棒性，從而克服現(xiàn)有技術(shù)的缺陷，滿足實際應用的需求。

技術(shù)實現(xiàn)思路

1、本發(fā)明的一個目的在于提出一種基于深度學習的生存曲線圖像數(shù)據(jù)重建方法，本發(fā)明有效避免了特征丟失和過擬合問題，顯著提高了重建精度，確保了生成的生存曲線圖像數(shù)據(jù)在像素級和結(jié)構(gòu)級的一致性。

2、根據(jù)本發(fā)明實施例的一種基于深度學習的生存曲線圖像數(shù)據(jù)重建方法，所述方法包括以下步驟：

3、s1、獲取待重建的生存曲線圖像數(shù)據(jù)；

4、s2、對所述待重建的生存曲線圖像數(shù)據(jù)進行標準化處理、去噪處理和分塊處理；

5、s3、構(gòu)建改進深度學習網(wǎng)絡模型，；

6、s4、基于蜘蛛蜂優(yōu)化算法對深度學習網(wǎng)絡模型的超參數(shù)和網(wǎng)絡權(quán)重進行優(yōu)化；

7、s5、將待重建的生存曲線圖像數(shù)據(jù)輸入訓練完成的深度學習網(wǎng)絡模型，生成重建的生存曲線圖像數(shù)據(jù)。

8、可選的，所述s1具體包括：

9、s11、通過數(shù)據(jù)庫中獲取生存曲線圖像數(shù)據(jù)d，所述生存曲線圖像數(shù)據(jù)用于描述事件隨時間變化的發(fā)生概率，所述生存曲線圖像數(shù)據(jù)d包括完整生存曲線圖像數(shù)據(jù)、不完整生存曲線圖像數(shù)據(jù)或受損生存曲線圖像數(shù)據(jù)，其中：

10、完整生存曲線圖像數(shù)據(jù)dc表示數(shù)據(jù)采集過程中未丟失或未受損的生存曲線圖像數(shù)據(jù)；

11、不完整生存曲線圖像數(shù)據(jù)di表示采集過程中因數(shù)據(jù)丟失而存在部分時間點或事件概率缺失的生存曲線圖像數(shù)據(jù)；

12、受損生存曲線圖像數(shù)據(jù)dd表示因噪聲干擾、采集設備限制或存儲錯誤導致圖像部分區(qū)域失真或模糊的生存曲線圖像數(shù)據(jù)；

13、s12、對生存曲線圖像數(shù)據(jù)中的時間范圍和事件概率范圍進行檢查：

14、定義時間范圍t＝{t1,t2,...,tn}，其中t1和tn分別為生存曲線圖像數(shù)據(jù)的起始時間和終止時間；

15、定義事件概率范圍p(t)∈[0,1]，其中p(t)為時間點t對應的事件發(fā)生概率；

16、s13、對不完整生存曲線圖像數(shù)據(jù)di和受損生存曲線圖像數(shù)據(jù)dd的異常點進行標記，生成異常點集合e＝{e1,e2,...,em}，其中em表示異常點在時間軸上的位置，時間軸范圍為t；

17、s15、將標注后的完整生存曲線圖像數(shù)據(jù)、不完整生存曲線圖像數(shù)據(jù)和受損生存曲線圖像數(shù)據(jù)以及異常點集合e，組成生存曲線圖像數(shù)據(jù)集：

18、d'＝(d,e)。

19、可選的，所述s2具體包括：

20、s21、對待重建的生存曲線圖像數(shù)據(jù)d'進行標準化處理，定義時間軸范圍，將所有生存曲線圖像數(shù)據(jù)的時間范圍歸一化為標準時間區(qū)間；

21、s22、對生存曲線圖像數(shù)據(jù)d'中的噪聲進行去噪處理，利用中值濾波方法對生存曲線圖像中的局部噪聲進行平滑處理，對于全局噪聲，采用小波變換分解信號s分解為近似分量a和細節(jié)分量d，對細節(jié)分量d應用軟閾值函數(shù)進行處理；

22、s23、對去噪后的生存曲線圖像數(shù)據(jù)d”進行分塊處理，將時間軸范圍t'均勻劃分為k個子區(qū)間tk，每個子區(qū)間定義為：

23、tk＝{t′j∣t′k-1≤t′j<t′k},k∈{1,2,...,k}；

24、其中，t′k表示子區(qū)間的邊界值；

25、將對應子區(qū)間tk的事件概率值p(tk)作為分塊后的特征子集，并生成分塊后的生存曲線數(shù)據(jù)集合：

26、db＝{(tk,p(tk))∣k∈{1,2,...,k}}。

27、可選的，所述s3具體包括：

28、s31、搭建改進深度學習網(wǎng)絡模型，改進深度學習網(wǎng)絡模型包括輸入層、并行多尺度特征提取網(wǎng)絡、交叉注意力機制模塊、殘差式重建網(wǎng)絡以及輸出層；

29、s32、將處理后的生存曲線圖像數(shù)據(jù)集合db輸入到所述輸入層，輸入層接收并規(guī)范化數(shù)據(jù)維度，將生存曲線圖像數(shù)據(jù)集合db分配至并行多尺度特征提取網(wǎng)絡的多個分支；

30、s33、在并行多尺度特特征提取網(wǎng)絡中采用多組卷積層對不同尺度的生存曲線圖像數(shù)據(jù)進行特征提取，令第m個分支提取得到的特征圖為：

31、fm＝σ(wm*db,m+bm)；

32、其中，db,m為輸入層分配至第m個分支的生存曲線圖像數(shù)據(jù)，wm和bm分別表示第m個分支卷積層的權(quán)重與偏置，σ為激活函數(shù)，m∈{1,2,...,m}表示并行分支編號；

33、將多個分支提取的特征圖通過級聯(lián)或加和方式融合得到多尺度融合特征fms；

34、s34、在所述交叉注意力機制模塊中，對所述多尺度融合特征fms進行通道和空間維度的綜合加權(quán)，計算通道注意力權(quán)重αc，通道特征值為hc，通道數(shù)目為c，則：

35、

36、計算空間注意力圖β(x,y)，令f(x,y)為位置(x,y)對應的特征值，空間注意力權(quán)重為：

37、

38、其中，u表示特征圖的所有像素位置，將通道注意力權(quán)重和空間注意力權(quán)重共同作用于多尺度融合特征fms得到加權(quán)特征fca；

39、s35、在所述殘差式重建網(wǎng)絡中對所述加權(quán)特征fca進行反卷積操作與跳躍連接相結(jié)合的重建處理，重建過程中在每一層保留輸入與輸出的殘差信號，第r層反卷積的輸出為：

40、

41、其中，rr-1為前一層的輸出特征圖，sr-1為前一層的跳躍連接特征，用于保留局部生存曲線圖像數(shù)據(jù)細節(jié)，和分別表示第r層的反卷積權(quán)重和偏置；

42、將最終一層的輸出作為重建的生存曲線圖像數(shù)據(jù)r；

43、s36、將殘差式重建網(wǎng)絡輸出的生存曲線圖像數(shù)據(jù)r輸入到輸出層，輸出層對重建結(jié)果進行維度或格式上的規(guī)范處理，得到最終的重建生存曲線圖像數(shù)據(jù)。

44、可選的，所述s4具體包括：

45、s41、初始化蜘蛛種群，設定種群大小為n，每個蜘蛛個體表示深度學習網(wǎng)絡模型的一個超參數(shù)組合或網(wǎng)絡權(quán)重組合，第i個個體的初始狀態(tài)為：

46、xi＝{p1,p2,...,pm}；

47、其中，xi表示第i個個體的參數(shù)組合，pj表示深度學習網(wǎng)絡的第j個超參數(shù)或權(quán)重，m為參數(shù)總數(shù)；

48、s42、定義適應度函數(shù)，適應度函數(shù)基于生成的重建的生存曲線圖像數(shù)據(jù)的重建誤差進行評價，適應度值f(xi)計算為：

49、f(xi)＝α·lmse+β·lssim；

50、其中，f(xi)為第i個個體的適應度值，適應度值越小表示個體優(yōu)化效果越優(yōu)，lmse為重建的生存曲線圖像數(shù)據(jù)與真實生存曲線圖像數(shù)據(jù)的像素級均方誤差，lssim為重建的生存曲線圖像數(shù)據(jù)與真實生存曲線圖像數(shù)據(jù)的結(jié)構(gòu)相似性度量，α和β為權(quán)重系數(shù)；

51、s43、基于局部鄰域信息優(yōu)化蜘蛛個體的位置計算第i個個體與鄰域個體的交互影響力：

52、

53、其中，和分別為第i個個體在t輪和t+1輪中的位置，ni為第i個個體的鄰域集合，wk為鄰域個體k的權(quán)重，表示其對i個體的影響程度，λ1為步長因子，用于控制更新幅度；

54、s44、進行全局搜索權(quán)重參數(shù)，通過模擬蛛網(wǎng)信息傳播行為，隨機選擇部分個體向全局最優(yōu)位置靠近：

55、

56、其中，為當前迭代中適應度值最低的個體位置，γ為全局搜索因子，用于控制全局探索步長；

57、s45、迭代更新適應度函數(shù)值，迭代終止條件為達到最大迭代次數(shù)t或適應度函數(shù)收斂至設定閾值，最終輸出全局最優(yōu)參數(shù)組合：

58、

59、其中，xopt表示優(yōu)化后的深度學習網(wǎng)絡模型的超參數(shù)和網(wǎng)絡權(quán)重組合。

60、可選的，所述s42具體包括：

61、s421、lmse表示均方誤差，用于衡量重建的生存曲線圖像數(shù)據(jù)與真實生存曲線圖像數(shù)據(jù)在像素級的平均差異：

62、

63、其中，yj為真實生存曲線圖像數(shù)據(jù)中第j個像素點的值，為重建的生存曲線圖像數(shù)據(jù)中第j個像素點的值，n為像素點總數(shù)；

64、s422、lssim表示結(jié)構(gòu)相似性指數(shù)，用于評估重建的生存曲線圖像數(shù)據(jù)在視覺結(jié)構(gòu)上的一致性：

65、

66、其中，表示真實數(shù)據(jù)y與重建數(shù)據(jù)的結(jié)構(gòu)相似性指數(shù)：

67、

68、其中，μy和分別為y和的均值，和分別為y和的方差，為y和的協(xié)方差，c1和c2為常量，用于避免分母為零；

69、s423、根據(jù)優(yōu)化后的深度學習網(wǎng)絡模型生成的重建生存曲線圖像數(shù)據(jù)r，計算其與真實生存曲線圖像數(shù)據(jù)y的適應度值f(xi)，綜合反映重建數(shù)據(jù)的像素精度和視覺結(jié)構(gòu)一致性；

70、s424、通過調(diào)整權(quán)重系數(shù)α和β控制適應度函數(shù)對均方誤差lmse和結(jié)構(gòu)相似性lssim的敏感性，用于適應不同應用場景的優(yōu)化需求。

71、可選的，所述s5具體包括：

72、s51、將待重建的生存曲線圖像數(shù)據(jù)集合db輸入到優(yōu)化的深度學習網(wǎng)絡模型；

73、s52、在并行多尺度特征提取網(wǎng)絡中，基于卷積操作提取輸入生存曲線圖像數(shù)據(jù)的多尺度特征，生成融合的多尺度特征圖fms，并通過交叉注意力機制模塊對多尺度特征圖fms進行加權(quán)處理，生成優(yōu)化后的多尺度特征圖fca；

74、s53、將優(yōu)化后的多尺度特征圖fca輸入到殘差式重建網(wǎng)絡，重建網(wǎng)絡通過多層反卷積操作與跳躍連接相結(jié)合，生成重建的生存曲線圖像數(shù)據(jù)r；

75、s54、輸出層對最后一層的重建結(jié)果進行處理，生成最終的重建生存曲線圖像數(shù)據(jù)rfinal，并將最終的重建生存曲線圖像數(shù)據(jù)rfinal輸出作為深度學習網(wǎng)絡的重建結(jié)果；

76、s55、將生成的重建生存曲線圖像數(shù)據(jù)rfinal與適應度函數(shù)評價標準對比，驗證的重建效果，使重建生存曲線圖像數(shù)據(jù)滿足像素級精度和結(jié)構(gòu)相似性的一致性要求。

77、本發(fā)明的有益效果是：

78、(1)本發(fā)明采用了改進深度學習網(wǎng)絡模型，構(gòu)建了并行多尺度特征提取網(wǎng)絡、交叉注意力機制模塊和殘差式重建網(wǎng)絡，并行多尺度特征提取網(wǎng)絡通過卷積操作提取不同尺度的特征，實現(xiàn)了對生存曲線圖像復雜結(jié)構(gòu)特征的全面捕捉，交叉注意力機制模塊通過在通道和空間維度動態(tài)加權(quán)提高了網(wǎng)絡對生存曲線關(guān)鍵區(qū)域的關(guān)注度，殘差式重建網(wǎng)絡則結(jié)合跳躍連接機制保留了生存曲線圖像中的細節(jié)特征，有效避免了特征丟失和過擬合問題，顯著提高了重建精度，確保了生成的生存曲線圖像數(shù)據(jù)在像素級和結(jié)構(gòu)級的一致性。

79、(2)本發(fā)明通過蜘蛛蜂優(yōu)化算法對深度學習網(wǎng)絡模型的超參數(shù)和權(quán)重進行全局優(yōu)化，蜘蛛蜂算法利用局部鄰域優(yōu)化和全局搜索策略，有效解決了深度學習模型在面對高噪聲數(shù)據(jù)或數(shù)據(jù)缺失時容易陷入局部最優(yōu)的問題，適應度函數(shù)結(jié)合了均方誤差和結(jié)構(gòu)相似性指標，綜合評估重建結(jié)果的像素精度和視覺一致性，確保了優(yōu)化結(jié)果的可靠性，實驗結(jié)果表明，本發(fā)明的優(yōu)化算法使網(wǎng)絡模型對不同數(shù)據(jù)質(zhì)量具有更高的適應性，在生存曲線圖像數(shù)據(jù)重建中表現(xiàn)出更強的魯棒性。

80、(3)本發(fā)明實現(xiàn)了從生存曲線圖像數(shù)據(jù)的預處理、網(wǎng)絡訓練到重建輸出的全流程自動化處理，避免了傳統(tǒng)方法中對參數(shù)調(diào)節(jié)和模型調(diào)整的大量人工干預，通過蜘蛛蜂優(yōu)化算法的高效搜索機制顯著減少了深度學習網(wǎng)絡訓練所需的迭代次數(shù)，優(yōu)化后的模型不僅提升了計算效率，還降低了對硬件資源的依賴，在大規(guī)模生存曲線圖像數(shù)據(jù)的重建任務中表現(xiàn)出更高的效率，能夠滿足實際應用對數(shù)據(jù)處理的時效性需求。