本发明涉及计算机,具体而言,涉及一种基于大数据的神经移植方案推荐方法及系统。
背景技术:
1、目前,在神经移植过程中,对移植方案的选取能够使得神经移植时更加适合。由于需要不同位置的神经收到不同情况的损失所需要的神经移植物的类型不同和进行神经移植的方案不同。同时神经移植物的类别与神经移植物中的神经束的个数和排列都会影响到对方案的选取。神经移植物中的神经束的个数和排列能够通过目标检测得到,但神经移植物的类别以多个神经束的类别和排列通常需要人工进行大量判断。因为神经束的组合方法太多,所以用上述方法进行判断时需要耗费大量时间和计算能力。
技术实现思路
1、本发明的目的在于提供了一种基于大数据的神经移植方案推荐方法及系统,用以解决现有技术中存在的上述问题。
2、第一方面,本发明实施例提供了一种基于大数据的神经移植方案推荐方法,包括:
3、获得神经移植物图像集合;所述神经移植物图像集合包括多张神经移植物图像;所述神经移植物图像为准备移植的神经移植物的图像;
4、将所述神经移植物图像集合中相邻的3张神经移植物图像构成的三维图像,得到末端三维图像;所述末端三维图像为距离当前时间点小于其他时间点的三维图像;
5、基于所述末端三维图像,通过神经学生网络,得到神经类别;所述神经类别表示神经移植物对应的类别;
6、基于所述末端三维图像,通过目标检测模型,得到神经移植物位置和对应的神经移植物类别;
7、将所述神经移植物位置的总数作为神经束个数;
8、根据所述神经类别、神经束个数、神经移植物类别,得到神经移植方案。
9、可选的,所述神经学生网络的训练方法包括:
10、获取多张训练三维图像;所述训练三维图像为神经移植物图像集合中相邻的3张神经移植物图像构成的三维图像;
11、根据所述多张训练三维图像,得到教师训练集合;所述教师训练集合包括教师训练三维图像和教师标注类别值;
12、基于所述教师训练集合,训练神经教师网络,得到训练好的神经教师网络;
13、将训练三维图像输入所述训练好的神经教师网络,得到训练类别;多张训练三维图像对应获得多个训练类别;所述神经教师网络和神经学生网络的结构相同;
14、基于所述训练三维图像和训练类别,训练神经学生网络,得到训练好的神经学生网络。
15、可选的,所述基于所述教师训练集合,训练神经教师网络,得到训练好的神经教师网络,包括:
16、获得图像张数;所述图像张数为多张训练三维图像的张数;
17、以图像张数除以5的值为步长,依次获取多张训练三维图像中的图像作为教师训练三维图像;
18、获取教师标注类别;所述教师标注类别为教师训练三维图像对应的标注的神经类别;
19、将所述教师训练三维图像分割为时间点不同的三张分割图像;
20、基于所述三张分割图像,通过时间检测网络和目标检测网络,得到教师输出类别;
21、将所述教师标注类别和教师输出类别计算损失值,训练神经教师网络。
22、可选的,所述时间检测网络包括第一提取特征结构、融合特征结构、第二提取特征结构、第三提取结构和分类结构;
23、所述第一提取特征结构包括第一时间卷积网络中的提取两两特征的变化的二维卷积核;
24、所述第二提取特征结构包括第二时间卷积网络中的提取两两特征的变化的二维卷积核;所述第一时间卷积网络和第二时间卷积网络的结构相同参数不同;
25、所述第三提取结构为卷积神经网络;
26、所述第一提取特征结构的输出和第二提取特征结构的输出为融合特征结构的输入;所述第三提取结构的输入为融合特征结构的输出;所述分类结构的输入为所述第三提取结构的输出。
27、可选的,所述第一提取特征结构的最后一层的卷积核个数与第二提取特征结构的最后一层的卷积核个数与所述融合特征结构的输入层的卷积核个数相同。
28、可选的,所述基于所述三张分割图像,通过时间检测网络和目标检测网络,得到教师标注类别,包括:
29、将分割图像输入目标检测网络,得到目标教师特征;三个分割图像对应获得三个目标教师特征;
30、将所述目标教师特征输入分类器,得到目标教师标注类别;三个分割图像对应获得三个目标教师标注类别;
31、将所述三张分割图像按照时间点从远到近依次输入第一时间卷积网络,得到第一教师特征;
32、将所述三个目标教师特征按照时间点从远到近依次输入第二时间卷积网络,得到第二教师特征;
33、将所述第一教师特征和第二教师输入融合特征结构进行融合,得到融合特征;
34、基于所述融合特征,通过第三提取结构和分类结构,得到时间教师标注类别;
35、将所述三个目标教师标注类别和时间教师标注类别中比例大于其他神经类别的神经类别作为教师标注类别。
36、可选的,所述基于所述融合特征,通过第三提取结构和分类结构,得到教师标注类别,包括:
37、将所述第一教师特征和第二教师特征对应的位置进行求平均,得到输出特征;
38、将所述输出特征输入分类结构,得到教师标注类别。
39、可选的,所述将训练三维图像输入所述训练好的神经教师网络,得到训练类别,包括:
40、采用3x3x3的三维卷积核以步长为1进行卷积,提取时间空间的神经移植物图像的特征,得到教师输出特征;
41、将所述教师输出特征输入全连接网络,进行分类,得到训练类别。
42、可选的,所述根据所述神经类别、神经束个数、神经移植物类别,得到神经移植方案,包括:
43、将所述神经类别、神经束个数、神经移植物类别,输入全连接神经网络,得到神经移植方案;
44、所述全连接神经网络的输入层的神经元个数为3,输出层的神经元个数为4。
45、第二方面,本发明实施例提供了一种基于大数据的神经移植方案推荐系统,包括:
46、获取模块:获得神经移植物图像集合;所述神经移植物图像集合包括多张神经移植物图像;所述神经移植物图像为准备移植的神经移植物的图像;
47、三维构建模块:将所述神经移植物图像集合中相邻的3张神经移植物图像构成的三维图像,得到末端三维图像;所述末端三维图像为距离当前时间点小于其他时间点的三维图像;
48、多方面检测模块:基于所述末端三维图像,通过神经学生网络,得到神经类别;所述神经类别表示神经移植物对应的类别;
49、目标检测模块:基于所述末端三维图像,通过目标检测模型,得到神经移植物位置和对应的神经移植物类别;
50、神经束模块:将所述神经移植物位置的总数作为神经束个数;
51、神经移植方案判断模块:根据所述神经类别、神经束个数、神经移植物类别,得到神经移植方案。
52、相较于现有技术,本发明实施例达到了以下有益效果:
53、本发明实施例还提供了一种基于大数据的神经移植方案推荐方法和系统,所述方法包括:获得神经移植物图像集合。所述神经移植物图像集合包括多张神经移植物图像。所述神经移植物图像为准备移植的神经移植物的图像。将所述神经移植物图像集合中相邻的3张神经移植物图像构成的三维图像,得到末端三维图像。所述末端三维图像为距离当前时间点小于其他时间点的三维图像。基于所述末端三维图像,通过神经学生网络,得到神经类别。所述神经类别表示神经移植物对应的类别。基于所述末端三维图像,通过目标检测模型,得到神经移植物位置和对应的神经移植物类别。将所述神经移植物位置的总数作为神经束个数。根据所述神经类别、神经束个数、神经移植物类别,得到神经移植方案。
54、本发明采用神经移植物在培养过程中的图像,获取神经移植物的结构。在将这些图像以3张为总和构建一个三维图像。三维图像相比于二维图像获取了更多的神经束在时间点的变化情况,并且获取更多检测神经类别的训练数据。通过教师学生模型以小部分的标注数据,无监督的采用大部分无标注的数据训练神经学生模型。神经学生模型以两个修改的时间卷积网络为基础,以三维图像获取其特征,以图像之间的关系和特征之间的变化关系,共同判断神经类别。采用不同的方法,增大了无标注数据的训练比例。同时在获取神经教师网络对应的教师标注数据时,通过时间检测网络和目标检测网络,来对训练三维图像获取更加的准确的特征。总而言之,用少量数据训练神经教师网络来获取教师标注类别从而训练神经学生网络。通过修改后检测神经类别的网络采用不同能够更加在标注数据及神经类别不容易获取的情况下训练网络,达到了准确选择神经移植方案方法的技术效果。