技術特征：

1.一種結合多模態(tài)大數據的深度學習醫(yī)學圖像處理分類系統(tǒng)，其特征在于，包括：

2.根據權利要求1所述的結合多模態(tài)大數據的深度學習醫(yī)學圖像處理分類系統(tǒng)，其特征在于，

3.根據權利要求2所述的結合多模態(tài)大數據的深度學習醫(yī)學圖像處理分類系統(tǒng)，其特征在于，所述圖像特征包括但不限于形狀特征、紋理特征以及邊緣特征。

4.根據權利要求1所述的結合多模態(tài)大數據的深度學習醫(yī)學圖像處理分類系統(tǒng)，其特征在于，

5.根據權利要求4所述的結合多模態(tài)大數據的深度學習醫(yī)學圖像處理分類系統(tǒng)，其特征在于，采用所述自適應組加權彈性網進行超高維大數據降維的過程包括：

6.根據權利要求1所述的結合多模態(tài)大數據的深度學習醫(yī)學圖像處理分類系統(tǒng)，其特征在于，構建所述依時deep-cox模型的過程包括

7.根據權利要求1所述的結合多模態(tài)大數據的深度學習醫(yī)學圖像處理分類系統(tǒng)，其特征在于，

技術總結
本發(fā)明公開了一種結合多模態(tài)大數據的深度學習醫(yī)學圖像處理分類系統(tǒng)，包括：圖像采集模塊，用于收集歷史醫(yī)學圖像；圖像處理模塊，與圖像采集模塊連接，用于對歷史醫(yī)學圖像進行處理，獲得目標醫(yī)學圖像；模型構建模塊，與圖像處理模塊連接，用于構建依時Deep?Cox模型，并基于目標醫(yī)學圖像對依時Deep?Cox模型進行訓練，獲得目標依時Deep?Cox模型；圖像分類模塊，與模型構建模塊連接，用于通過目標依時Deep?Cox模型對待分類圖像進行處理，獲得分類處理結果。本發(fā)明的分類系統(tǒng)適用于醫(yī)學圖像特征提取和生物標志物數據的早期風險識別分析，旨在通過模型改進與整合，準確地將醫(yī)學圖像區(qū)分為疾病高風險和低風險圖像。

技術研發(fā)人員：郭秀花,于思琪,呂世云,李偉銘,楊潤煌,陶麗新,劉相佟
受保護的技術使用者：首都醫(yī)科大學
技術研發(fā)日：
技術公布日：2024/10/21