(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 202210936944.4 (22)申请日 2022.08.05 (66)本国优先权数据 202210476964.8 202 2.05.02 CN (71)申请人 河南大学 地址 475001 河南省开封市金明区明伦街 85号 (72)发明人 杨晓慧　王斌杰　廖豪杰　王恒哲　 王小丹　王长福　 (74)专利代理 机构 郑州立格知识产权代理有限 公司 41126 专利代理师 冯灏 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 基于CBNet模型的乳 腺肿瘤良恶性智能识别 与预测系统及方法 (57)摘要 本发明公开了一种基于CBNet模 型的乳腺肿 瘤良恶性智能识别与预测系统， 图片检测功能模 块、 CBNet特征提取与识别模块、 模型参数调整功 能模块、 显示和保存检测识别详细信息功能模 块、 语言设置功能模块。 本发明率先将卷积神经 网络和CatBoost集成树模型结合构建成特征表 示学习能力强且具有良好可解释性的CatNet网 络， 并用于 乳腺肿瘤良/恶性智能检测与识别。 权利要求书3页 说明书7页 附图2页 CN 115375630 A 2022.11.22 CN 115375630 A 1.基于CBNet模型的乳腺肿瘤良恶性智能识别与预测系统， 其特征在于： 包括以下模 块： 图片检测功能模块： 用于导入肿瘤图片， 设置相应参数， 并对导入的图片进行自动检测 和识别， 将结果保存为相应图像特 征数据； CBNet特征提取与识别模块： 用于将保存处理后的图像特征数据依据提取的特征进行 良/恶性肿瘤的分类识别； 模型参数调整功能模块： 用于对置信度进行调整， 同时为用户提供了导入自 己所拥有 训练权重的接口； 显示和保存检测 识别详细信息功能模块： 用于显示和保存识别后的肿瘤图像特征数据 的详细结果； 语言设置功能模块： 用户可通过菜单栏的设置语言按 钮对系统语言进行中英文切换。 2.根据权利要求1所述的基于CBNet模型的乳腺肿瘤良恶性智能识别与预测系统实现 的基于CBNet模型的乳腺肿瘤良恶性智能识别与预测方法， 其特 征在于： 包括以下步骤： 1)对采集得到的乳腺钼靶X线摄影图像数据集进行去模糊， 再将图像数据集分别按一 定的比例分为训练集和 测试集； 2)对训练集的图像进行训练， 计算每次迭代 的网络模型的损失函数值， 直至损失函数 值收敛到最小， 保存训练后的网络模型； 3)载入训练好的网络模型， 指定网络中具体一层的输出作为网络模型最终提取的特 征， 然后将这些 特征作为CatBo ost模型的输入数据进行智能分类； 4)通过模型参数调整功能模块， 用户可以参与参数调整， 对测试集进行检测： 若用户认 同肿瘤的检测与 识别结果， 则停止调整参数， 保存 数据； 若存在异 议， 则用户可以根据需要， 不断调整模型参数， 直至 达到用户满意模型的识别结果 为止； 5)通过显示和保存检测识别详细信息功能模块进行信息 显示和保存。 3.根据权利要求2所述的乳腺肿瘤良恶性智能识别与 预测方法， 其特征在于： 步骤1)具 体包括： (1‑1)利用X射线设备采集乳腺钼靶X线摄 影图像数据集； (1‑2)读取采集后的图像数据集， 用Lucy ‑Richardson算法对图像进行去模糊， 并对图 像尺寸进行调整； (1‑3)分按照用户指定的图像数量比例分为训练集、 验证集和测试集， 并保存为对应的 XML标记文件。 4.根据权利要求3所述的乳腺肿瘤良恶性智能识别与预测方法， 其特征在于： 步骤(1 ‑ 2)中Lucy ‑Richardson算法对图像去模糊的具体 计算方法为： 其中f(x,y)表示原始图像， n为迭代次数， g(x,y)表示退化后的图像， h(x,y)是退化函 数的空间描述， 符号 “*”表示空间卷积。 5.根据权利要求2所述的乳腺肿瘤良恶性智能识别与 预测方法， 其特征在于： 步骤2)具 体包括： (2‑1)读取步骤1)的训练集， 并对图像尺寸进行调整；权　利　要　求　书 1/3 页 2 CN 115375630 A 2(2‑2)设置训练集所需的迭代轮数为p， 一次读入肿瘤图像数量 为q张， 其中p≥1， q≥1； (2‑3)采用softmax分类器， 接受全连接层输出的特征， 然后输出为输入目标对应 的标 签的概率值映射后的分类预测结果， 并计算每 轮迭代的网络模型的损失函数值； (2‑4)重复步骤(2 ‑3)， 直至得到的损失函数值 最小， 并保存训练好的模型。 6.根据权利要求2所述的乳腺肿瘤良恶性智能识别与 预测方法， 其特征在于： 步骤3)中 选定其最后一层全连接层的输出作为网络模型最终提取的特 征。 7.根据权利要求6所述的乳腺肿瘤良恶性智能识别与 预测方法， 其特征在于： 步骤3)的 具体包括： 用X,Y分别表示第L个残差单元的输入和输出， X表示从图像中提取的特征值， Y表示 图 像分类标签； F是残差函 数， 表示这个残差单元学习到的残差， W1和W2分别表示这个单元的两 次卷积参数； 激活函数relu用 σ 表示， 则该网络学习到的残差为: F(X)＝W2σ(W1X) H是恒等映射， 即H(X)＝X， 计算第L个残差单 元的输出Y： Y＝σ(F(X)+H(X) )＝σ(W2σ(W1X)+X) 将最后一层的普通分类层softmax层替换为分类性能更好的集成树模型CatBoost； 集 成树模型CatBoo st为训练样本生成s+1个随机序列σ0, σ1,..., σs， s取值为s＝0,1,2,...； 其 中σ1,..., σs用来构建决策树， σ0用来选择叶子节点的值； 集成树模型CatBo ost模型主 要包括以下两个过程： 建立一棵树： 在算法的每次迭代t中， 从{σ1,..., σs}中采样一个随机排列σr， r取值为 1，…s； 并在此基础上构建一个树Tt； 计算叶值： 给定树Tt， 解决有监 督学习任务的常用方法是最小化损失函数： 其中， f(x)是预测值， yi是真实值， 是损失函 数， wi是第i个样本xi的权重， J(f)采用L2正 则约束项； 给定一个候选树f， 记ai＝f(xi)， 将损失函数在点at‑1＝Ft‑1(x)泰勒展开： 其中， φ是 带求的叶值， | |φ||2是对φ的L2正则约束， λ是正则化 参数； 那么叶值φleaf的最优值是： 权　利　要　求　书 2/3 页 3 CN 115375630 A 3