(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 202210967185.8 (22)申请日 2022.08.12 (71)申请人 吉林大学 地址 130012 吉林省长 春市长春高新技术 产业开发区前进大街269 9号 (72)发明人 陈玫玫　吴金洋　王世刚　 (74)专利代理 机构 长春吉大专利代理有限责任 公司 22201 专利代理师 王恩远 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06T 7/00(2017.01) G06N 20/00(2019.01) (54)发明名称 一种基于深度学习的肿瘤分类系统构建方 法 (57)摘要 本发明的一种基于深度学习的肿瘤分类系 统构建方法属于计算机视觉及深度学习领域， 步 骤包括： 选 取确诊的PCNSL放射影像和GBM放射影 像并分为训练集和测试集， 对训练集进行数据增 广， 在Swin ‑Transformer模型基础上加以改进， 用数据増广后的训练集中的数据对改进的Swin ‑ Transformer模型进行训练， 然后将测试集的图 像输入至已训练模型中， 验证识别效果。 本发明 的方法是基于医学影像非侵入式诊断方式， 既能 够减轻患者痛苦， 又可以为医生提供准确的影像 诊断依据， 具有重要的科 学意义和医学价 值。 权利要求书2页 说明书5页 附图3页 CN 115272772 A 2022.11.01 CN 115272772 A 1.一种基于深度学习的肿瘤分类系统构建方法， 包括以下步骤： S1： 选取确诊的PCNSL放射影像和GBM放射影像， 每种影像数目不少于800张， 每种类型 的放射影像均按照7:3的比例分为训练集和 测试集； S2： 对S1中的训练集进行数据增广， 所述的数据增广包括缩放图像尺寸、 随机翻转图 像、 随机裁剪图像、 图像数据归一 化、 Mixup、 Cutout以及CutMix； S3： 在Swin ‑Transformer模型基础上加以改进， 对Swin ‑Transformer网络中的数据采 样、 特征提取、 损失函数三个模块进行平衡化处理， 以求得更高的准确率与精确性； 所述的 平衡化处理分别是： 利用Pat ch‑Balance取代特征提取模块； 利用Sample ‑Balance取代数据 采样模块； 利用Balanced  Loss取代损失函数模块； 其中Patch ‑Balance是对Swin ‑ Transformer模型中的Patch的提取方式由均匀取样变为间隔采样， Sample ‑Balance是对 Swin‑Transformer模型中数据类型加权， Balanc ed Loss是采用Label  Smoothing对损失函 数进行正则化； S4： 用S2数据増广后的训练集中的数据对S3中改进的Swin ‑Transformer模型进行训 练， 然后将测试集的图像输入至已训练模型中， 验证识别效果。 2.根据权利要求1所述的一种基于深度 学习的肿瘤分类系统构建方法， 其特征在于， 步 骤S3具体包括： S31： 构建基础的Sw in‑Transformer网络模型； S32： 在Swin ‑Transfor mer网络模型的数据采样模块中， 用Samp le‑Balance代替按类别 均匀读取 的方式， 通过每种 数据类别的图片数分配图片读取 的张数； 读入图片后的特征提 取部分， 采用Patch ‑Balance模块代替Swin ‑Transformer架构的原有数据处理层Patch   Partiton  Block， 以及 数据聚合层Patch  Merging Block， 所述的Patch ‑Balance模块是把 Patch按间隔采样的方式来 提取。 3.根据权利要求2所述的一种基于深度 学习的肿瘤分类系统构建方法， 其特征在于， 在 步骤S32中， 采用Swin ‑Transformer作为主干网络， 用Balanced  Loss损失函数代替传统的 交叉熵损失函数， 即采用Label  Smoothing后的交叉熵函数作为输出层的损失函数构建深 度学习的肿瘤分类系统； 所述深度学习的肿瘤分类系统包括数据处理层Patch  Partiton   Block、 线性编码层Linear  Enbedding  Block、 基于位移窗口的Transformer层Swin   Transformer  Block， 以及最后输出分类结果的全连接层， 其 运算步骤依次为： S321： 在训练集中任选一张图像输入数据处理层， 所选的图像记为P0， 图像尺寸记为H ×W×3； 经数据处理层后， 输出尺寸 为 的图像， 记为P1， 将P1送入线性编码层； S322： 使用Patch ‑Balance方式对P1进行编码， 送入基于位移窗口的Transformer层， 通 过全连接层输出 的图像， 记作P2， 其中C为多头注意力机制中的头数； S323： 重复步骤S 322三次， 分别可得尺寸为 的图像， 记作P3、 尺寸为 的图像， 记作P4以及尺寸为 的图像， 记作P5； 将所得的P5送入全连接层， 对其进行 SoftMax函数操作计算后可 得出肿瘤的分类置信率。 4.根据权利要求3所述的一种基于深度 学习的肿瘤分类系统构建方法， 其特征在于， 图权　利　要　求　书 1/2 页 2 CN 115272772 A 2像分类网络的最后一层为全连接层， 其输出为一个C维的向量， 其中C为类别数， 本文中是对 两种肿瘤进行 分类， 所以C ＝2； 其向量中的数据以zi来表示， 将zi视作一个随机变 量， 其输出 的概率qi由zi通过SoftMax函数计算得 出： 在输出层采用Label  Smooth损失函数进行分类， Label  Smooth Loss损失函数 由交叉 熵函数改进 而来， 具体表达如公式(1)～(3)所示； 其中var为超参数， pi为每类肿瘤的置信概率， qi为标签输出的概率， zi为预测概率分 布， a为任意整数； 公式(2)为 改进前的交叉熵损失函数公式Loss， 将原本的label用smooth 后的label代替， (3)为改进后的损失函数公式LLS。权　利　要　求　书 2/2 页 3 CN 115272772 A 3