(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 202210156933.4 (22)申请日 2022.02.21 (71)申请人 北京医准智能科技有限公司 地址 100083 北京市海淀区知春路7号 致真 大厦A座12层1202-120 3号 (72)发明人 李小星　马璐　丁佳　吕晨翀　 (74)专利代理 机构 北京乐知新创知识产权代理 事务所(普通 合伙) 11734 专利代理师 陈婷婷 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种针对乳 腺病灶的训练方法、 装置及计算 机可读介质 (57)摘要 本发明公开了一种针对乳腺病灶的训练方 法、 装置及计算机可读介质， 本发明一实施例的 方法首先将具有恶性标签的乳腺数据和具有良 性标签的乳腺数据均作为训练样 本， 得到训练样 本数据； 其中， 乳腺数据至少包括乳腺超声 图像 和对应病例的影 响因素量化值； 其次针对训练样 本数据中任一训练样本： 对训练样 本中乳腺超声 图像进行图像特征提取， 得到乳腺图像特征； 之 后将训练样本中影响因素量化值和乳腺图像特 征进行融合处理， 得到病灶融合特征； 最后对病 灶融合特征进行有监督的分类学习， 生成病灶分 类模型。 由此， 充分融合了乳腺图像特征和乳腺 癌的影响因素量化值， 从而提高了模 型训练的准 确性， 使得病灶分类模型能够对乳腺病灶进行准 确预测。 权利要求书2页 说明书8页 附图6页 CN 114581382 A 2022.06.03 CN 114581382 A 1.一种针对乳腺病灶的训练方法， 其特 征在于， 包括： 将具有恶性标签的乳腺数据和具有良性标签的乳腺数据均作为训练样本， 得到训练样 本数据； 其中， 所述乳腺数据至少包括乳腺超声图像和对应病例的影响因素量 化值； 针对所述训练样本数据中任一所述训练样本： 对所述训练样本中乳腺超声图像进行图 像特征提取， 得到乳腺图像特征； 将所述训练样本中影响因素量化值和所述乳腺图像特征 进行融合处 理， 得到病灶融合特 征； 对所述病灶融合特 征进行有监 督的分类学习， 生成病灶分类模型。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述病灶融合特征进行有监督的分 类学习， 生成病灶分类模型， 包括： 基于第一 算法对所述病灶融合特 征进行有监 督的分类学习， 生成第一分类模型； 基于第二 算法对所述病灶融合特 征进行有监 督的分类学习， 生成第二分类模型； 基于第三 算法对所述病灶融合特 征进行有监 督的分类学习， 生成第三分类模型； 基于权重搜索的方式， 对所述第一分类模型、 所述第二分类模型和所述第三分类模型 进行集成， 生成病灶分类模型。 3.根据权利要求1所述的方法， 其特征在于， 所述对所述训练样本 中乳腺超声图像进行 图像特征提取， 得到 乳腺图像特 征； 包括： 将所述训练样本中乳腺超声图像作为子训练样本； 基于若干所述子训练样本， 利用算法对图像特征提取进行有监督的训练， 生成图像特 征提取模型； 基于所述图像特征提取模型， 对所述训练样本中乳腺超声图像进行图像特征提取， 得 到乳腺图像特 征。 4.根据权利要求1所述的方法， 其特 征在于， 还 包括： 获取待测乳腺数据； 其中， 所述待测乳腺数据包括待测乳腺超声图像和对应病例的影 响因素量 化值； 利用所述图像特征提取模型对所述待测乳腺超声图像进行图像特征提取， 生成待测乳 腺图像特 征； 将所述待测乳腺图像特征和对应的所述影响因素量化值进行融合处理， 得到待测病灶 融合特征； 利用病灶分类模型对所述待测病灶融合特 征进行预测， 得到病灶分类结果。 5.根据权利要求4所述的方法， 其特征在于， 所述利用病灶分类模型对所述待测病灶融 合特征进行预测， 得到病灶分类结果， 包括： 利用第一分类模型对所述待测病灶融合特 征进行预测， 得到第一分类结果； 利用第二分类模型对所述待测病灶融合特 征进行预测， 得到第二分类结果； 利用第三分类模型对所述待测病灶融合特 征进行预测， 得到第三分类结果； 对所述第一分类结果、 所述第二分类结果和所述第三分类结果分别施加不同的权重， 并将施加权重后的第一分类结果、 第二分类结果和第三分类结果进行加权处理， 得到病灶 分类结果。 6.根据权利要求1所述的方法， 其特征在于， 所述将具有恶性标签的乳腺数据和具有良 性标签的乳腺数据均 作为训练样本， 得到训练样本数据， 包括：权　利　要　求　书 1/2 页 2 CN 114581382 A 2对具有恶性标签的乳腺数据中乳腺超声图像进行数据扩充处理， 得到第 一训练样本数 据； 对具有良性标签的乳腺数据中乳腺超声图像进行数据扩充处理， 得到第 二训练样本数 据； 基于所述第一训练样本数据和所述第二训练样本数据， 得到训练样本数据。 7.一种针对乳腺病灶的训练装置， 其特 征在于， 包括： 样本模块， 用于将具有恶性标签的乳腺数据和具有良性标签的乳腺数据均作为训练样 本， 得到训练样 本数据； 其中， 所述乳腺数据至少包括乳腺超声图像和对应病例的影响因素 量化值； 特征融合模块， 用于针对所述训练样本数据中任一所述训练样本： 对所述训练样本中 乳腺超声图像进行图像特征提取， 得到乳腺图像特征； 将所述训练样本中影响因素量化值 和所述乳腺图像特 征进行融合处 理， 得到病灶融合特 征； 分类训练模块， 用于对所述病灶融合特 征进行有监 督的分类学习， 生成病灶分类模型。 8.根据权利要求7 所述的装置， 其特 征在于， 所述分类训练模块包括： 第一分类训练单元， 用于基于第一算法对所述病灶融合特征进行有监督的分类学习， 生成第一分类模型； 第二分类训练单元， 用于基于第二算法对所述病灶融合特征进行有监督的分类学习， 生成第二分类模型； 第三分类训练单元， 用于基于第三算法对所述病灶融合特征进行有监督的分类学习， 生成第三分类模型； 模型集成单元， 用于基于权重搜索的方式， 对所述第 一分类模型、 所述第 二分类模型和 所述第三分类模型进行集成， 生成病灶分类模型。 9.根据权利要求7 所述的装置， 其特 征在于， 所述特 征融合模块包括： 样本单元， 用于将所述训练样本中乳腺超声图像作为子训练样本； 训练单元， 用于基于若干所述子训练样本， 利用算法对图像特征提取进行有监督的训 练， 生成图像特 征提取模型； 特征提取单元， 用于基于所述图像特征提取模型， 对所述训练样本中乳腺超声图像进 行图像特 征提取， 得到 乳腺图像特 征。 10.一种计算机可读介质， 其上存储有计算机程序， 所述程序被处理器执行时实现如权 利要求1‑6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114581382 A 3