(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 202210506938.5 (22)申请日 2022.05.11 (71)申请人 中南大学湘雅医院 地址 410008 湖南省长 沙市湘雅路87号 (72)发明人 黄河源　 (74)专利代理 机构 长沙湘之星知识产权代理事 务所(普通 合伙) 43271 专利代理师 刘向丹 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于细菌数据的肿瘤预测方法及装置 (57)摘要 本发明涉及人工智能技术领域， 揭露了一种 基于细菌数据的肿瘤预测方法及装置， 包括： 获 取历史肿瘤图像集合， 基于模糊聚类算法对所述 历史肿瘤图像集合进行阶段分类， 得到肿瘤图像 分类结果， 获取所述历史肿瘤图像集合对应的细 菌数据集合， 基于所述肿瘤图像分类结果及所述 细菌数据集合对所述历史肿瘤图像集合进行联 合标注， 得到肿瘤训练集合， 构建包括混合注意 力机制及胶囊网络的肿瘤预测网络， 利用所述肿 瘤训练集合对所述肿瘤预测网络进行注意力机 制联合训练， 得到标准肿瘤预测 网络， 获取包含 细菌标注的待检测肿瘤图像， 利用所述标准肿瘤 预测网络输出所述待检测肿瘤图像的肿瘤预测 结果。 本发明可解决肿瘤预测准确性不高的问 题。 权利要求书3页 说明书11页 附图5页 CN 115100103 A 2022.09.23 CN 115100103 A 1.一种基于细菌数据的肿瘤预测方法， 其特 征在于， 所述方法包括： 获取历史肿瘤图像集合， 基于模糊聚类算法对所述历史肿瘤图像集合进行阶段分类， 得到肿瘤图像分类结果； 获取所述历史肿瘤图像集合对应的细菌数据集合， 基于所述肿瘤图像分类结果及所述 细菌数据集 合对所述历史肿瘤图像集 合进行联合标注， 得到肿瘤训练集 合； 构建包括混合注意力机制及 胶囊网络的肿瘤预测网络； 利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力 机制联合训练， 得到标准肿瘤 预测网络； 获取包含细菌标注的待检测肿瘤图像， 利用所述标准肿瘤预测网络输出所述待检测肿 瘤图像的肿瘤预测结果。 2.如权利要求1所述的基于细菌数据的肿瘤预测方法， 其特征在于， 所述基于模糊聚类 算法对所述历史肿瘤图像集 合进行阶段分类， 得到肿瘤图像分类结果， 包括： 对所述历史肿瘤图像集合中的图像进行空间几何变换及色彩类转换， 得到原始图像集 合； 将所述原 始图像集 合中的每一张图像进行区域划分， 得到预设个数的子区域； 计算所述子区域中像素的隶属度， 基于所述隶属度计算所述原始图像集合中 图像的目 标值； 若所述目标值大于预设的目标阈值， 则 重新对原始图像集合中的每一张图像进行区域 划分， 并返回所述计算所述子区域中像素 的隶属度的步骤， 直至所述 目标值小于等于所述 目标阈值时， 根据子区域中的聚类中心将所述原始图像集合中的图像划分为不同阶段， 得 到所述肿瘤图像分类结果。 3.如权利要求2所述的基于细菌数据的肿瘤预测方法， 其特征在于， 所述计算所述子区 域中像素的隶属度， 基于所述隶属度计算所述原 始图像集 合中图像的目标值， 包括： 计算所述子区域的聚类中心， 基于所述聚类中心计算所述子区域中像素的隶属度； 根据预设的目标函数及所述隶属度计算所述原 始图像集 合中图像的目标值。 4.如权利要求1所述的基于细菌数据的肿瘤预测方法， 其特征在于， 所述基于所述肿瘤 图像分类结果及所述细菌数据集 合对所述历史肿瘤图像集 合进行联合标注， 包括： 将所述肿瘤图像分类结果作为所述历史肿瘤图像集 合中图像的初始标注； 将所述细菌数据集 合中的细菌数据作为所述历史肿瘤图像集 合中图像的关联 标注； 计算所述初始标注的初始概 率分布， 以及计算所述关联 标注的关联概 率分布； 对所述初始概率分布及所述关联概率分布进行标注融合， 得到联合标注集合， 并从所 述联合标注集 合中选取 预设个数的联合标注作为所述历史肿瘤图像集 合的图像标注。 5.如权利要求4所述的基于细菌数据的肿瘤预测方法， 其特征在于， 所述构建包括混合 注意力机制及 胶囊网络的肿瘤预测网络， 包括： 拼接预设的空间注意力模块及预设的通道 注意力模块， 得到混合注意力机制单 元； 获取包括多层卷积层的卷积网络， 在所述卷积网络的每一层卷积层后添加所述混合注 意力机制单 元， 得到原 始预测网络； 在所述原 始预测网络后添加胶囊层 及全连接层， 得到所述肿瘤预测网络 。 6.如权利要求5所述的基于细菌数据的肿瘤预测方法， 其特征在于， 所述拼接预设的空权　利　要　求　书 1/3 页 2 CN 115100103 A 2间注意力模块及预设的通道 注意力模块， 得到混合注意力机制单 元， 包括： 将空间注意力模块SAM、 通道 注意力模块  CAM进行串联， 得到第一串联网络； 将通道注意力模块  CAM、 通道 注意力模块CGCT 进行串联， 得到第二串联网络； 将所述第一串联网络及所述第二串联网络进行并联， 得到所述混合注意力机制单 元。 7.如权利要求5所述的基于细菌数据的肿瘤预测方法， 其特征在于， 所述利用所述肿瘤 训练集合对所述肿瘤预测网络进行注意力机制联合训练， 得到标准肿瘤预测网络， 包括： 利用所述肿瘤预测网络中的卷积层提取 所述肿瘤训练集 合中图像的特 征； 利用所述肿瘤预测网络 中的混合注意力 机制单元对所述特征进行注意力融合， 得到混 合特征； 利用所述肿瘤预测网络中的胶囊层输出最后的混合特 征的权重概率； 利用所述肿瘤预测网络中的全连接层输出 所述权重概率的预测标注； 根据所述预测标注及所述初始标注构建混淆矩阵， 并基于所述混淆矩阵计算预测准确 率， 若所述预测准确率小于等于预设的准确阈值， 则调整所述肿瘤预测网络中各层参数， 返 回所述利用所述肿瘤预测网络中的卷积层提取所述肿瘤训练集合中图像的特征的步骤， 直 至所述预测准确率大于所述 准确阈值， 停止训练， 得到所述标准肿瘤预测网络 。 8.如权利要求3所述的基于细菌数据的肿瘤预测方法， 其特征在于， 所述基于所述聚类 中心计算所述子区域中像素的隶属度， 包括： 利用下述公式计算所述子区域中像素的隶属度： 其中， 表示像素 对于子区域 的隶属度， 表示子区域个 数， 表示第 个聚类中心， 表示第 个聚类中心， 为预设的加权指数。 9.如权利要求3所述的基于细菌数据的肿瘤预测方法， 其特征在于， 所述预设的目标函 数如下所示： 其中， 为所述目标值， 分别为图像的行数和列数， 表示素 与聚类中心 的距离。 10.一种基于细菌数据的肿瘤预测装置， 其特 征在于， 所述装置包括： 图像分类模块， 用于获取历史肿瘤图像集合， 基于模糊聚类算法对所述历史肿瘤图像 集合进行阶段分类， 得到肿瘤图像分类结果； 图像标注模块， 用于获取所述历史肿瘤图像集合对应的细菌数据集合， 基于所述肿瘤 图像分类结果及所述细菌数据集合对所述历史肿瘤图像集合进行联合标注， 得到肿瘤训练 集合； 预测网络构建模块， 用于构建包括混合注意力机制及 胶囊网络的肿瘤预测网络； 预测网络训练模块， 用于利用所述肿瘤训练集合对所述肿瘤预测网络进行注意力 机制权　利　要　求　书 2/3 页 3 CN 115100103 A 3