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！

申请/专利权人：广东工业大学;中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所)

摘要：本发明公开了一种乳腺癌早期患者的无创腋窝转移负荷预测方法与系统，淋巴结转移负荷预测模型能够预测其未来的乳腺癌风险、乳腺癌有无淋巴结转移以及乳腺癌淋巴结转移负荷的程度等多种患病类型，同时针对多种患病类型进行风险预测，所述淋巴结转移负荷预测模型是通过训练及测试后使用，其模型预测结果准确，只需将患者数据输入到本发明所提供的淋巴结转移负荷预测模型中即可获取准确的患者淋巴结转移负荷的预测结果，提供患者准确高效的术前评估。

主权项：1.一种乳腺癌早期患者的无创腋窝转移负荷预测方法，其特征在于，所述方法包括：S1：获取患者的三个淋巴结的原始图像对，包括对应的B型超声图像和剪切波弹性图像；S2：对所述三个淋巴结的原始图像对分别进行预处理，获得三个淋巴结的预处理图像对；S3：将所述三个淋巴结的预处理图像对输入训练好的淋巴结转移负荷预测模型，获得患者淋巴结转移负荷的预测结果；所述S3中，获得训练好的淋巴结转移负荷预测模型具体方法为：S31：获取训练数据，并进行预处理；S32：构建淋巴结转移负荷预测模型，包括依次连接的淋巴结转移负荷预测网络和分类器集成网络；淋巴结转移负荷预测网络包括三个结构相同、并列设置的淋巴结转移负荷预测单元；每个淋巴结转移负荷预测单元均包括依次连接的特征提取网络子单元、特征融合网络子单元和预测网络子单元；S33：利用特征提取网络子单元对等比例的淋巴结原始图像进行特征提取，获得两个不同尺度的特征图；S34：将两个不同尺度的特征图通过特征融合网络子单元后进行特征融合，获得融合特征图；S35：利用预测网络子单元对融合特征图进行预测，获得预测类别标签；S36：利用分类器集成网络对所有预测类别标签进行集成，获得预测向量；S37：设置总损失函数，根据预测向量和预测类别标签与淋巴结的原始图片中的真实向量和真实类别标签，计算总损失函数值，并对构建淋巴结转移负荷预测模型进行参数调整；S38：当总损失函数值达到预设值时或达到预设训练次数时，获得训练好的淋巴结转移负荷预测模型；在S37中，所述总损失函数包括分支损失和分类损失；所述总损失函数的公式为：LS＝εt*Lt+εf*Lf其中，Lt为分支损失；Lf为分类损失；εt和εf为第一超参数；所述分支损失的公式为：Lt＝ω1*L1+ω2*L2+ω3*L3 其中，L1表示第一淋巴结转移负荷预测单元；L2表示第二淋巴结转移负荷预测单元；L3表示第三淋巴结转移负荷预测单元；ω1表示第一淋巴结转移负荷预测单元的权重；ω2表示第二淋巴结转移负荷预测单元的权重；ω3表示第三淋巴结转移负荷预测单元的权重；ωkt为第k个淋巴结转移负荷预测单元的第t轮的权重；μk为该淋巴结转移负荷预测单元t-1轮次损失除以t-2轮次损失所得损失；Lk为第k个淋巴结转移负荷预测单元的损失；t为模型训练的轮次数；T为第二超参数；μi为第i个分支的速度比率；K为总权重；k为第k淋巴结转移负荷预测单元，k＝1,2,3；u1为第一分支的速度比率；u2为第二分支的速度比率；u3为第三分支的速度比率；所述分类损失的公式为：Lf＝∈11-Pt-logPt＝∈11-Pt+LCE其中，Pt为网络对目标真实类别的预测概率；∈1为第三超参数。

全文数据：

权利要求：

百度查询： 广东工业大学 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) 一种乳腺癌早期患者的无创腋窝转移负荷预测方法与系统