数据处理方法、装置和存储介质发明专利.docxVIP

数据处理方法、装置和存储介质 技术领域 本发明涉及数据处理技术领域，更具体地涉及一种数据处理方法、装置和存储介质。 背景技术 目前，基于机器学习技术对患者某部位的目标区域(诸如乳腺病灶、甲状腺结节等)进行超声智能诊断分析时，常结合患者多个模态的图像数据与临床数据进行综合分析。多模态数据中包含着大量相关且互补的有效信息，基于单一模态的数据很难对患者的目标区域进行全面解释。其中，如何有效融合与选择不同模态的特征，以提高辅助诊断的效果，仍然是当前的技术难点。 现有的多模态特征融合的方法主要集中于特征串联拼接、相关性分析、基于模型进行抽象(如受限波尔茨曼机)以及基于特征降维的方法。这些方法往往忽视了不同模态的数据与待预测问题之间存在着不同的相关性，使得融合特征中存在特征冗余的问题，从而影响对患者目标区域进行分级诊断的准确性。 发明内容 根据本发明一方面，提供了一种数据处理方法，所述方法包括：获取受测者的样本多模态数据和对应的临床标定结果，所述样本多模态数据包括目标区域的样本超声图像；对所述样本多模态数据进行特征提取得到样本特征；针对与所述目标区域对应的多个相关特性，获取所述样本特征对于每个所述相关特性的贡献度向量；基于所述样本特征和所述样本特征对于每个所述相关特性的贡献度向量，确定用于对所述目标区域进行分级的样本融合特征；基于所述样本融合特征和所述对应的临床标定结果训练分级模型，以得到对所述目标区域进行分级的分级模型。 根据本发明另一方面，提供了一种数据处理方法，所述方法包括：获取受测者的多模态数据，所述多模态数据包括目标区域的超声图像；对所述多模态数据进行特征提取得到数据特征；针对与所述目标区域对应的多个相关特性，获取所述数据特征对于每个所述相关特性的贡献度向量；基于所述数据特征和所述数据特征对于每个所述相关特性的贡献度向量，确定用于对所述目标区域进行分级的融合特征；基于所述融合特征，利用训练好的分级模型对所述目标区域进行分级，并输出分级结果。 根据本发明再一方面，提供了一种数据处理装置，所述装置包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行上述数据处理方法。 根据本发明又一方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行上述数据处理方法。 根据本发明实施例的数据处理方法、装置和存储介质基于受测者的多维度特征与分级任务的不同预测问题之间的相关性进行特征融合，能够有效减少多模态数据融合特征中的冗余性，从而提高对受测者目标区域进行分级诊断的准确性。 附图说明 通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。 图1示出根据本发明一个实施例的数据处理方法的示意性流程图。 图2示出根据本发明实施例的数据处理方法中对特征向量加权融合的示意图。 图3示出根据本发明另一个实施例的数据处理方法的示意性流程图。 图4示出根据本发明实施例的数据处理装置的示意性结构框图。 具体实施方式 为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。 首先，参照图1来描述根据本发明一个实施例的数据处理方法。图1示出了根据本发明一个实施例的数据处理方法100的示意性流程图。此处，数据处理方法100为针对目标区域(诸如乳腺病灶、甲状腺结节或其他任何待分析区域等)训练分级模型的方法，因此，该方法中涉及到的数据和特征被称为样本数据和样本特征。基于该分级模型，可对目标对象的该类型的目标区域进行分级(下文稍后将结合图3描述基于该分级模型对目标对象的目标区域进行分级)，以辅助医生对该目标区域进行诊断。下面详细描述根据本发明实施例的数据处理方法100。如图1所示，数据处理方法100可以包括如下步骤： 在步骤S110，获取受测者的样本多模态数据和对应的临床标定结果，所述样本多模态数据包括目标区域的样本超声图像。 在本申请的实施例中，在步骤S110获取的样本多模态数据至少包括样本超声图像。示例性地，所获取的样本超声图像包括但不限于B模式超声图像、血流图像(诸如多普勒血流图像)以及其他可用于诊断分析的医用图像。 在本申请的实施例中，在步骤S110获取的样本多模态数据还可以包括受测者的样本临床文本信息。