(19)中华 人民共和国 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 202210027716.5 (22)申请日 2022.01.11 (71)申请人 辽宁石油化工大 学 地址 113001 辽宁省抚顺市望花区丹东路 西段一号 (72)发明人 耿旭忠　郭小明　 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进EfficientNet的肝癌识别方 法 (57)摘要 本发明提供了一种基于改进EfficientNet 的肝癌识别方法， 包括以下步骤： 获取肝癌病理 切面照片和正常肝脏切片照片构建数据集； 对构 建的数据集进行预处理； 将数据集分为训练集、 验证集和测试集； 构建基于改进EfficientNet的 分类模型并对改进EfficientNet分类模型进行 学习训练； 针对EfficientNet的核心模 块移动翻 转瓶颈卷积MBConv进行改进， 将原有SENet模块 替换为SKNet， 形 成改进EfficientNet网络模型； 对改进EfficientNet的分类模型进行学习训练， 保存训练好的模 型； 输入待识别的肝癌病理切片 图像， 通过训练好的改进EfficientNet分类模型 对肝癌病理切片图像进行识别， 无需人工干预即 可得到对应的分析识别结果。 本发明结合 EfficientNet高速度与精度、 SKNet高特征提取 能力的优点， 在减少模型参数的同时更好的对肝 癌病理切片图像进行识别。 权利要求书4页 说明书7页 附图2页 CN 114266898 A 2022.04.01 CN 114266898 A 1.一种基于改进Ef ficientNet的肝癌识别方法， 包括以下步骤： S1： 数据采集， 获取肝癌病理切片照片和正常肝脏切片照片， 并将照片缩放成预设大小 后构建数据集； S2： 数据预处理， 对构建的数据集进行预处理， 所述预处理包括灰度化、 几何变换和图 像增强； S3： 数据集划分， 将数据集分为训练集、 验证集和 测试集； S4： 构建基于改进EfficientNet的分类模型并对改进EfficientNet 分类模型进行学习 训练； 针对EfficientNet的核心模块移动翻转瓶颈卷积 MBConv进行改进， 将原有SENet模块 替换为SKNet， 首先将MBConv模块卷积核为k的卷积替换为3 ×3深度可分离卷积和dilation 为2的3×3空洞卷积， 对输入特征进 行不同卷积核 大小的完整 卷积操作， 再通过全局平均池 化来获得全局信息、 两个全连接层找到不同卷积核所占权重比， 最后在通道方向进行 softmax操作， 形成SK ‑MBConv网络结构； 将SK ‑MBConv融合原始EfficientNet模型， 形成改 进EfficientNet网络模型； 对改进EfficientNet分类模型进行学习训练， 将训练数据集中 的肝癌病理切片图像输入改进Ef ficientNet分类模型进行训练， 保存训练好的模型； S5： 肝癌识别， 输入待识别的肝癌病理切片图像， 通过训练好的改进 EfficientNet分类模型对肝癌病理切片图像进行识别， 获得特征向量， 利用全连接层 进行肝癌识别判定， 并得到相应的识别结果。 2.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法， 其特征在于， 所述S1 中数据采集的方法为： 获取肝癌病理切片照片和正常肝脏切片照片， 并将照片缩放成预设大小后构建数据 集； 具体地， 将照片数据进行缩放， 达 到指定大小， 方便后续网络进行 学习与识别， 其中， 肝癌病理切片照片645张， 正常肝脏切片照片6 00张， 共计1245张。 3.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法， 其特征在于， 所述S2 中灰度化的方法为： Grey＝0.30*R+0.59*G+0.11*B， 其中， R为第一个通道即 f＝0时的数据， G为第一个通道 即f＝1时的数据， B为第三个通道即f＝2时的数据， 将 3个通道的数据进 行组合， 得到单通道 的灰度数据， 灰度数据的数据形式为(n,x,y)， 其中n为图片编号， x与y为灰度处理后图片对 应位置像素点。 4.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法， 其特征在于， 所述S2 中几何变换的方法为： 通过平移、 转置、 镜像、 旋转、 缩放等几何变换对采集的图像进行处理， 用于改正图像采 集系统的系统误差和仪器位置 （成像角度、 透 视关系乃至 镜头自身原因） 的随机误差 。 5.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法， 其特征在于， 所述S3 中数据集划分方法为： 训练集、 验证集与测试集的比例为6： 1： 3， 所述训练集网络进行参数训练， 获取肝癌切 片分类识别模型； 所述验证集用于检测训练得到的网络是过拟合还是欠拟合， 所述测试集 来测试模型的正确率和误差， 以验证模型的有效性。 6.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法， 其特征在于， 所述S4权　利　要　求　书 1/4 页 2 CN 114266898 A 2中的SKNet具体为： 选择性卷积核机制SKNet采用非线性的方法融合来自不同核的特征， 使神经元对于不 同尺寸的输入信息进 行自适应的调整其 感受野的大小， 其包含了三个操作： Split操作产生 多个不同核尺寸的通道与神经元的不同感受野尺寸相关； Fuse操作组合融合来自多通道的 信息从而获得一个全局及可理解性的表示用于进行权重选择； Select操作根据 挑选得到的 权重对不同核尺寸的feature  map进行融合。 7.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法， 其特征在于， 所述S4 中的选择性卷积核机制SKNet的具体方法为： 1)Split： 使用不同的卷积核对输入特征图进行卷积； 对输入向量X进行不同3 ×3和5× 5的完整卷积操作， 得到两个特征图 和 为进一步提高效率， 使用膨胀大小为2， 卷积核 为3×3的空洞卷积替代传统5 ×5的卷积； 2)Fuse： 将多个分支的结果通过逐元素求和来融合， 以获得选择权重的全局和 综合表 示； 首先两个特征图进行求和操作， 得到新的特征图U: ,再通过简单的全局平均 池化来嵌入全局信息， 生成信道统计信息S∈RC,其中C是模型图中S的特 征维数， 其公式为： 其中， 表示全局平均池化， 表示将步骤一Split融合后得到的新的特征图， H、 W分 别代表特征图 的高和宽， i和j代表 在H和W上不同的通道图， 表示对每一个通道图 的所有像素值 求平均值得到的新的通道图； 然后对输出S做全连接找到每一个通道占的比重z， 确保卷积核的准确性和自适应性， 其公式为： 其中， δ表示ReLU函数， 表示批正则 化处理BN； 表示全连接层， 表示通道s的权 重； z的通道数为d， d表示特 征图降维后的维度， 其公式为： 其中， C表示特 征维数， r 表维数的降低率， L表示d的极小值， 取值32； 3)Select： 根据选择权重聚合不同大小内核的特征图； 首先通过softmax回归出通道和 卷积核之间的权重信息， 输出矩阵 ， ， 两分支情况下， 为冗余矩阵， ， 其公 式为： 其中， ， a， b分别表示 , 的平滑注意力向量， 表示A的第 c行， 表示a的第c个元 素值； 对于B向量同理； 然后将 ， 分别与Spl it卷积后的特 征 和 进行相乘再求和操作； 其公式为： 。权　利　要　求　书 2/4 页 3 CN 114266898 A 3