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！

龙图腾网恭喜华侨大学申请的专利基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质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：CN113380401B 。

龙图腾网通过国家知识产权局官网在2025-03-14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：202110788927.6，技术领域涉及：G16H50/20；该发明授权基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质是由杜永兆;刘卫;郭明辉;柳培忠设计研发完成，并于2021-07-13向国家知识产权局提交的专利申请。

本基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质在说明书摘要公布了：本发明提供一种基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质，该方法包括：对带有分类标签的原始乳腺肿瘤超声图像进行预处理，得到预处理图像；获取预处理图像中感兴趣区域；对感兴趣区域做三种处理分别得到深度残差网络特征向量、纹理特征向量和形态特征向量；将深度残差网络特征向量和纹理特征向量分别进行降维处理，然后将二者进行特征融合，得到融合向量数据；利用支持向量机分类器对一定数量的融合向量数据进行学习，并利用朴素贝叶斯分类器对形态特征向量进行学习，通过加权两种分类器得到肿瘤分类模型；将待分类乳腺肿瘤超声图像输入乳腺肿瘤分类模型，得到分类结果。采用本发明方法可实现更准确地对乳腺肿瘤超声图像的自动分类。

本发明授权基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质在权利要求书中公布了：1.基于超声图像的乳腺肿瘤良恶性分类方法，其特征在于：所述方法包括：步骤10、对带有分类标签的原始乳腺肿瘤超声图像进行预处理，得到预处理图像，所述分类标签包括恶性乳腺肿瘤和良性乳腺肿瘤；步骤20、获取预处理图像中的感兴趣区域；步骤30、对所述感兴趣区域做三种处理分别得到深度残差网络特征向量、纹理特征向量和形态特征向量；步骤40、将深度残差网络特征向量进行降维处理，并将纹理特征向量进行降维处理，然后将降维处理后的残差网络特征向量和纹理特征向量进行特征融合，得到融合向量数据；步骤50、利用支持向量机分类器对一定数量的融合向量数据进行学习，并利用朴素贝叶斯分类器对形态特征向量进行学习，通过最大随机搜索方法对两种分类器加权得到肿瘤分类模型；步骤60、将待分类乳腺肿瘤超声图像输入乳腺肿瘤分类模型，得到分类结果；所述步骤30中的三种处理具体如下：第一种处理：对所述超声图像提取纹理特征，所述纹理特征包括图像局部二值模式、方向梯度直方图以及灰度共生矩阵，然后进行归一化操作，得到纹理特征向量；第二种处理：对所述感兴趣区域提取深度残差神经网络特征，所述深度残差网络特征包括利用Resnet101从池化层Pool5中提取深度学习特征，然后进行归一化操作，得到深度残差网络特征向量；第三种处理：对所述感兴趣区域提取形态特征，所述形态特征包括紧致度、椭圆紧致度以及径向距离谱参数、凸度、实心度、伸长率、紧凑度、矩形度、圆度、乳腺肿瘤周长、乳腺肿瘤面积、包围乳腺肿瘤最小矩形框周长、包围乳腺肿瘤最小矩形框面积，然后归一化所述形态特征，得到形态特征向量；所述步骤40进一步包括：步骤41、获取n张超声图像的m维纹理特征向量组成纹理特征矩阵Xm×n，求纹理特征矩阵中每个m维纹理特征向量的均值，然后将所有m维纹理特征向量分别减去其对应的均值，得到去平均值后的纹理特征矩阵；步骤42、计算去平均值后的纹理特征矩阵的协方差矩阵，对角化协方差矩阵的特征值和特征向量，使得除对角线外，其它元素为0，将能量归于主要方向；步骤43、按特征值的大小对特征向量进行排序，保留最大的前ω个特征值；步骤44、将纹理特征矩阵中的数据转换到特征向量构建的新空间中，得到降维后的n个纹理特征向量；步骤45、获取n张超声图像的m维深度残差网络特征向量组成深度学习特征矩阵Xm×n，求深度学习特征矩阵中每个m维深度学习特征向量的均值，然后将所有m维深度学习特征向量分别减去其对应的均值，得到去平均值后的深度学习特征矩阵；步骤46、计算去平均值后的深度学习特征矩阵的协方差矩阵，对角化协方差矩阵的特征值和特征向量，使得除对角线外，其它元素为0，将能量归于主要方向；步骤47、按特征值的大小对特征向量进行排序，保留最大的前ω个特征值；步骤48、将深度学习特征矩阵中的数据转换到特征向量构建的新空间中，得到降维后的n个深度学习特征向量；步骤49、将降维后的深度学习特征和降维后的纹理特征进行级联，获得深度学习特征和浅层纹理级联后的融合特征。

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华侨大学，其通讯地址为：362000 福建省泉州市城华北路269号华侨大学；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”。