(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211331810.6 (22)申请日 2022.10.28 (71)申请人 新疆畅森数据科技有限公司 地址 830011 新疆维吾尔自治区乌鲁 木齐 市高新技术产业开 发区(新市区)河南 东路781号劳动和社会保障服务中心 六楼6009 (72)发明人 李珊珊　刘文　姚回　 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/44(2022.01) G06V 10/50(2022.01) G06V 10/52(2022.01) G06V 10/54(2022.01)G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/771(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种超声影像及组学大数据的三阴性乳腺 癌分类方法 (57)摘要 本发明涉及人工智能领域， 公开一种超声影 像及组学大数据的三阴性乳 腺癌分类方法， 内容 如下： S1、 对乳腺超声影像数据集的肿瘤区域进 行标注处理， 并进行数据增强预处理操作； S2、 使 用S1中的数据集对深度学习模型进行权重训练； S3、 利用深度学习模型提取三阴性与非三阴性乳 腺超声数据集的肿瘤区域； S4、 使用影像组学技 术将步骤S3得到的肿瘤区域进行高通量特征提 取， 并采用T检验和LASSO算子对数据进行特征降 维， 筛选出最重要的特征； S5、 将步骤4获取的最 重要的特征， 利用随机森 林算法对三阴性与非三 阴性的乳腺超声影像进行分类比较。 采用深度学 习与影像组学技术能够实现三阴性与非三阴性 乳腺癌的精准分类 。 权利要求书2页 说明书6页 附图2页 CN 115409832 A 2022.11.29 CN 115409832 A 1.一种超声影 像及组学 大数据的三阴性乳腺癌分类方法， 该 方法包括以下步骤： S1、 对乳腺超声影 像数据集进行 数据增强预处 理操作； S2、 使用深度学习技 术对乳腺超声影 像数据集训练； S3、 利用S2步骤训练好的模型提取乳腺超声影 像三阴性与非三阴性的肿瘤区域； S4、 使用影像组学技术将步骤S3得到的肿瘤区域进行高通量特征提取， 并筛选出最重 要的特征； S5、 将步骤4获取的三阴性与非三阴性的图像特 征， 利用随机森林算法对进行分类。 2.如权利要求1所述的一种超声影像及组学大数据的三阴性乳腺癌分类方法， 其特征 在于， 所述 步骤S1中对乳腺超声影 像数据集进行 数据增强预处 理的操作步骤为： S11、 设共有N张乳腺超声肿瘤影像， 使用l abelme工具对N张影像的肿瘤区域进行标注， 生成Mask文件； S12、 将输入图像与Mask文件同时进行随机水平翻转、 倾斜以及高斯模糊操作， 以增加 数据样本； S13、 采用归一 化与正则化处 理， 并将图像裁 剪成统一尺寸， 具体公式如下：   （1） 其中input、 F、 H、 G、 Resize和BN分别表示输入图像、 随机水平翻转、 随机倾斜、 高斯模 糊、 裁剪和归一 化与正则化处 理。 3.如权利要求1所述的一种超声影像及组学大数据的三阴性乳腺癌分类方法， 其特征 在于， 所述步骤S2中的利用深度学习技术学习乳腺超声影像特征并建立深度学习模 型， 图2 为本发明的一种改进 U‑Net的网络结构图， 具体步骤如下： S21编码阶段： 将裁剪后的图像输入到改进后的U ‑Net模型中， 该阶段共分为5层， 每一 层都要将输入图像进行若干次卷积块操作、 最大池化操作以及ECA通道注意力机制加权操 作， 卷积块主 要包含3×3卷积层、 归一 化BN以及Relu激活函数； S211、 卷积操作： 图像经 过3×3卷积层， 且卷积后的尺寸 不变： +1  （2） 其中input、 Output、 p、 s和k分别表示输入图像尺寸、 输出图像尺寸、 边界扩充、 步长和 卷积核大小； S212、 归一化BN操作： 将输入数据使其服从均值为0， 方差为1的分布， 能使网络更加稳 定， 收敛速度更 快； S213、 Relu激活函数： 使用激活函数增强改进 U‑Net模型的非线性表达能力， 输出为：   （3） S214、 ECA注意力机制： 图3为本发明引用的ECA注意力机制示意图， 首先输入特征 图X1 （H×W×C） 经过全局平均池化得到X2 （1 ×1×C） ， 特征图高和宽的计算公式如下：   （4）   （5） 其中K为卷积核大小， S为步长， W、 H、 C分别表示特征图的宽、 高以及通道数； 其次特征图权　利　要　求　书 1/2 页 2 CN 115409832 A 2X2通过卷积核 K计算每个通道的特征权重， 随后使用Sigmoid函数给每个特征通道赋予权重 得到特征图X3， 具体公式如下：   （6） 其中  表示特征层， 最后将X3与X进行逐通道相乘， 生成加权特征图X4； S215、 最大池 化： 编码阶段前四层每次完成卷积块和 ECA注意力机制后， 通道数增加， 特征层的高和宽不 变； 随后四层特征层分别进行最大池化操作， 通道数不变， 特征层的高和宽变为原来的一 半， 具体如下：   （7） S216、 MC模块： 为了提取图像细节信息， 在改进的U ‑Net结构的编码阶段的第三、 四、 五 层的特征层分别进 行多尺度上下文通道信息提取， 图4为MC模块结构示意图， 例如将第三层 经过ECA注 意力机制模块处理后所得的特征图， 首先进 行四个不通尺度的卷积， 并将结果进 行特征融合、 全局平均池化、 Sigmo id激活函数处 理， 最后得到 输出特征图； S22、 解码阶段： 将编码阶段中的特征层通过跳跃连接、 反卷积以及卷积块等操作， 逐步 恢复图像特征信息， 解码特征层与编 码特征层各层之间层层 对应； S221、 跳跃连接及特征融 合： 编码阶段经过MC模块处理后得到的特征层、 和上一层的最后一个特征层以及解码阶段 对应的特 征层进行加权特 征融合， 具体公式如下：  （8） 其中F、 A、 C分别表示特征融合、 平均池化和卷积块操作， i表示特征层所在的层数， j表 示当前特征层经过的卷积次数； S222、 反卷积： 将编码阶段得到的特征层进行上采样操作， 该操作不会改变特征层的通 道数， 特征层的高和宽变为原来的2倍。 4.如权利要求1所述的一种超声影像及组学大数据的三阴性乳腺癌分类方法， 其特征 在于， 所述步骤S 3中将三阴性与非三阴性乳 腺超声影像输入到改进的U ‑Net模型中， 模 型对 乳腺超声影 像的每个像素进行 预测， 并输出肿瘤区域的预测结果。 5.如权利要求1所述的一种超声影像及组学大数据的三阴性乳腺癌分类方法， 其特征 在于， 所述步骤S4中对三阴性和非三阴性乳 腺超声影像及步骤S 3中得到的肿瘤区域使用小 波变换、 直方图特征、 纹理特征和滤波特征进行影像组学特征提取； 使用T检验及最小绝对 收缩和选择算子 （LAS SO） 算法进行 数据特征筛选和数据降维， 获得重要特 征。 6.如权利要求1所述的一种超声影像及组学大数据的三阴性乳腺癌分类方法， 其特征 在于， 所述根据步骤S5的结果， 将三阴性与 非三阴乳腺超声数据集按训练集： 验证集： 测试 集=7:2:1进行划分， 使用随机森林机器学习算法进行分类器训练， 并采用十折交叉验证方 法对分类 器进行评估。权　利　要　求　书 2/2 页 3 CN 115409832 A 3