买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院计算技术研究所申请的专利一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113743463B 。

龙图腾网通过国家知识产权局官网在2023-09-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110879294.X，技术领域涉及：G06V10/764；该发明授权一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统是由刘宏;焦梦磊;王向东;钱跃良设计研发完成，并于2021-08-02向国家知识产权局提交的专利申请。

本一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统在说明书摘要公布了：本发明提出一种面向医学影像序列的基于深度学习的患者级肿瘤良恶性自动判别方法及系统。首先进行患者影像数据的采集和整理及标注，然后使用肿瘤区域检测模型、序列分类模型、年龄信息这三个信息模块获得不同级别下患者肿瘤良恶性的概率，最后通过多模型加权融合进行患者级肿瘤良恶性综合判别。该技术将有助于在患者早期，基于影像检测数据对肿瘤良恶性进行预判，从而制定相应的治疗方案及提升预后效果，同时也能辅助提高医生早期利用影像数据进行肿瘤良恶性诊断的准确率。

本发明授权一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统在权利要求书中公布了：1.一种基于影像数据和深度学习的肿瘤良恶性识别方法，其特征在于，包括：步骤1、获取患者多张已标注肿瘤区域的图像作为训练数据，并将该训练数据的良性或恶性病理诊断结果作为训练目标，构建并训练单帧图像中的肿瘤区域检测模型，以及多帧序列分类模型；步骤2、对待测试的患者，使用该肿瘤区域检测模型对该患者的所有序列的所有图像帧进行肿瘤区域检测，得到该图像帧中肿瘤区域位置信息及其良恶性概率，对该患者的每一个影像序列，基于肿瘤区域检测结果，提取包含前后图像帧的三维肿瘤区域，使用该多帧序列分类模型对该三维肿瘤区域进行良恶性分类，得到该影像序列的良恶性概率；步骤3、根据该肿瘤区域检测模型得到的肿瘤良恶性分类概率、该多帧序列分类模型得到的良恶性分类概率，以及该待测试患者对应的年龄分布信息，利用多信息加权融合策略得到该患者的肿瘤良恶性识别结果；其中，该步骤1包括：在将该训练数据进行数据扩充后送入该肿瘤区域检测模型，且该数据扩充包括：该训练数据中每帧影像的肿瘤区域为正样本，背景区域为负样本，随机提取影像帧中多个标注肿瘤区域的标注框，对标注框区域的宽和高进行随机尺度因子的缩放，然后将缩放后的肿瘤区域重新放置在原图中；该肿瘤区域检测模型包括特征提取模块、特征金字塔模块、区域推荐模块和感兴趣区域提取模块；其中该特征提取模块，用于提取训练数据的多尺度特征图；该特征金字塔模块，用于对该多尺度特征图进行融合，融合过程包括：a使用一个大小为1×1，步长为1，填充为0的卷积核将该多尺度特征图统一转换为256通道；b从该多尺度特征图中最小尺度的特征图开始，将其依次上采样两倍并和相邻尺度的特征图相加，得到多个相加特征图；c使用一个大小为3×3，步长为1，填充为1的卷积核对该多个相加特征图进行卷积，以融合相加后的特征，得到多个融合特征；该区域推荐模块，用于为该融合特征的特征图生成候选框，特征图中每个像素对应多个纵横比的候选框，计算每个候选框与所有标注框之间的交并比；如果候选框与所有标注框之间的最大交并比小于0.7，则判定候选框为负样本；如果候选框和所有标注框之间的最大交并比大于0.3，则判定该候选框为正样本；对于每个标注框，如果一个标注框与所有候选框之间的最大交并比大于0.3，则判定标注框对应的候选框为是正样本；然后对256个标有正负样本的候选框进行采样，同时根据该区域推荐模块的分类分支输出的候选框置信度，对所有候选框进行筛选，得到备选候选框；该感兴趣区域提取模块，用于判断备选候选框与所有标注框之间的最大交并比是否小于0.5，若是则判定该备选候选框是负样本，否则判定该备选候选框为正样本，并对备选候选框所对应的特征进行分类和坐标的回归；该步骤3包括：多信息加权融合策略，首先针对该测试患者的每个序列的每个图像帧得到检测模型、分类模型以及年龄信息的加权后的良恶性概率，选择概率最高的类别作为当前图像中包含的肿瘤类别；在得到每个序列中所有图像的良恶性肿瘤类别后，选择比例最大的类别作为序列类别；得到所有序列的肿瘤类别后，选择比例最大的类别作为该患者的良恶性肿瘤类别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院计算技术研究所，其通讯地址为：100080 北京市海淀区中关村科学院南路6号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。