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！

龙图腾网获悉江苏世钰智能医疗科技有限公司;新疆医科大学第一附属医院申请的专利基于深度学习的肝脏棘球蚴病超声图像智能处理方法、电子设备及存储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：CN119624959B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202510154559.8，技术领域涉及：G06T7/00；该发明授权基于深度学习的肝脏棘球蚴病超声图像智能处理方法、电子设备及存储介质是由温浩;吐尔干艾力·阿吉;艾合买提江·玉素甫;蒋铁民;伊力扎提·伊力哈木;迪力扎提·伊力哈木;杨锦韬设计研发完成，并于2025-02-12向国家知识产权局提交的专利申请。

本基于深度学习的肝脏棘球蚴病超声图像智能处理方法、电子设备及存储介质在说明书摘要公布了：本发明提供了一种基于深度学习的肝脏棘球蚴病超声图像智能处理方法、电子设备及存储介质，包括以下步骤：数据收集：收集肝脏超声影像数据；使用自适应去噪与增强模型对收集的肝脏超声影像数据进行图像预处理，并对图像预处理后的数据对进行分类标注，建立分类数据集，将影像标注为囊型棘球蚴病、泡型棘球蚴病、其他肝脏病变；基于分类数据集，训练优化的VIT分类模型DFEV‑VIT。本发明有益效果：本发明通过使用优化的CLAHE算法ADEN对收集的数据进行图像预处理，再基于图像预处理后的分类数据集，训练分类模型DFEV‑VIT，可大大提高诊断效率和准确率，减少棘球蚴病的漏诊、误诊现象。

本发明授权基于深度学习的肝脏棘球蚴病超声图像智能处理方法、电子设备及存储介质在权利要求书中公布了：1.基于深度学习的肝脏棘球蚴病超声图像智能处理方法，其特征在于：包括以下步骤：S1、数据收集：收集肝脏超声影像数据；S2、使用自适应去噪与增强模型对步骤S1中收集的肝脏超声影像数据进行图像预处理，并对图像预处理后的数据对进行分类标注，建立分类数据集，将影像标注为囊型棘球蚴病、泡型棘球蚴病、其他肝脏病变；S3、基于分类数据集，训练优化的VIT分类模型DFEV-VIT；在步骤S2中，使用自适应去噪与增强模型对步骤S1中收集的肝脏超声影像数据进行图像预处理，包括：S21、对图像进行信噪比评估与噪声抑制；S22、对步骤S21处理后的图像进行自适应小波去噪；S23、对步骤S22处理后的图像进行边缘保持滤波器与非局部均值去噪；S24、对步骤S23处理后的图像进行灰度动态扩展；S25、对步骤S24处理后的图像进行动态分块处理；S26、对步骤S25处理后的图像设置块间重叠模块；S27、对步骤S26处理后的图像进行对比度限制直方图均衡；S28、对步骤S27处理后的图像进行图像重建；S29、对步骤S28处理后的图像进行图像后处理与优化；在步骤S3中，基于分类数据集，训练分类模型DFEV-VIT，包括：S31、对分类数据集进行图像预处理与分块；S32、对步骤S31处理后的数据进行图像块嵌入；S33、对步骤S32处理后的数据进行位置编码与类别标记；在步骤S33中，位置编码与类别标记，包括：设置包含可学习参数和周期性函数的混合位置编码模型：PEx,y＝sinf1x·cosf2y+Learnablex,y；其中，PEx,y是混合位置编码模型函数，x,y对应图像块的二维空间坐标，f1和f2非线性映射函数，映射x,y到其他维度，Learnablex,y是由学习参数组成的偏置，输出与输入坐标相同维度的值；引入自适应空间权重，自适应空间权重基于信息熵来调整不同图像块的位置编码影响： 其中，Wspatial是自适应空间权重，MLPPEx,y是处理位置编码的多层感知机输出；将原有的单一类别标记扩展为特征聚合，特征聚合表示为CLS，采用VisionTransformer的多头自注意力机制来提取和映射全局特征；S34、对步骤S33处理后的数据使用Transformer编码器处理；S35、对步骤S34处理后的数据使用特征摒弃机制处理特征；在步骤S35中，使用特征摒弃机制处理特征，包括：通过计算嵌入向量EBi中各个特征的权重，使用标准差、信息熵指标评估每个特征的贡献： 其中，wj是第j个特征的权重，Ej是第j个特征的值，m是特征的总数；根据批次大小动态调整摒弃阙值：θbq＝k·meanEBi；对于特征中的每个元素，如果wjθbq，则该特征将被视为不重要，予以置零；S36、对步骤S35处理后的数据进行分类预测；S37、对步骤S36处理后的数据进行损失计算与反向传播；在步骤S31中，图像预处理与分块，包括：首先，使用动态归一化方法进行均值标准化： 其中，Ix,y是输入图像在位置x,y处的像素值，μA和σA分别是局部区域A的均值和标准差，σA是一个常数；通过信息熵评估每个图像块的复杂度，以及确定后续特征提取的优先级，其中区域A的信息熵表达式为： 其中，pi是区域A中像素值的概率分布，n是可能的像素值数量；通过评估信息熵值，能够动态选择图像块的大小和形状，图像集合为B＝{B1,B2,…,Bk}，在此过程中，分块的策略遵循以下原则：对于信息熵HBi高于设定值的区域，选择小于对比度阙值的图像块；对于信息熵HBi低于设定值的区域，选择大于对比度阙值的图像块；在步骤S32中，图像块嵌入，包括：针对每个预处理和分块后的图像块Bi，设置嵌入转换模块，嵌入转换模块通过注意力机制将原始的图像块转换为具有语义信息的特征向量：首先，通过线性变换将输入图像块Bi转换成查询Q、键K和值V：Q＝Wq·Bi,K＝Wk·B,V＝Wv·B；通过提出的查询Q与所有键K计算相似度得分： 其中，dk是键的维度；通过软最大化对得分进行归一化，得到注意力权重：α＝softmaxscore；使用注意力权重对值V进行加权求和，得到最终的特征表示：EBi＝α·V。

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江苏世钰智能医疗科技有限公司;新疆医科大学第一附属医院，其通讯地址为：211800 江苏省南京市自由贸易试验区南京片区雨合北路6号光电科技园C幢8楼806、810、811室；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”。