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！

龙图腾网获悉江苏省肿瘤医院申请的专利一种肺部特殊病理图像的识别分析构建及图像处理方法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：CN118587238B 。

龙图腾网通过国家知识产权局官网在2025-06-27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：202410425186.9，技术领域涉及：G06T7/13；该发明授权一种肺部特殊病理图像的识别分析构建及图像处理方法是由蒋峰;董高超;丁瀚林;冯一鹏;黄兴;王辉;宋绪鸣设计研发完成，并于2024-04-10向国家知识产权局提交的专利申请。

本一种肺部特殊病理图像的识别分析构建及图像处理方法在说明书摘要公布了：本发明提供了一种肺部特殊病理图像的识别分析构建及图像处理方法，其特征在于，包括基于数字化扫描的肺肿瘤切片图像，开发一种肺癌气腔播散病灶的识别模型STASNet，基于该模型，可以实现以下目的：协助病理科医生在诊疗过程中实时识别肺病理切片周边STAS病灶，提升临床诊断STAS的效率，减少误诊漏诊；在STAS有无的分类基础上，进一步协助临床工作者完成STAS的半定量分析，提示患者预后情况，帮助医生制定个性化诊疗计划；作为显微镜电脑成像系统的有机组成部分，嵌入显微镜图像采集模块，实时识别肺癌图像中的STAS病灶。

本发明授权一种肺部特殊病理图像的识别分析构建及图像处理方法在权利要求书中公布了：1.一种肺部特殊病理图像的识别分析构建及图像处理方法，其特征在于，包括病理切片处理模块、STASNet模型和STAS评分模块，在给出一张肺腺癌HE病理切片，并标注其肿瘤边界后，所述病理切片处理模块能够实时自动化切取肿瘤边界外的正常肺组织，然后所述STASNet模型识别其中的STAS病灶生成预测图像，最后通过所述STAS评分模块计算STAS评分；所述病理切片处理模块针对HE切片，应用商品化扫描仪将HE切片扫描为数字化病理切片图像，基于病理科医生标注确定肿瘤边界； 扫描完成的数字化病理切片图像应用Python脚本分割为尺寸256像素*256像素的局部图像区域，并基于肿瘤边界标注区分为肿瘤图像及非肿瘤区域图像，针对非肿瘤图像，若其中白色像素，R,G,B值大于220，占比大于90，则将被放入背景组；剩余包含非肿瘤主体区域组织的图像将构建数据集并用于后续模块的模型构建及识别； 所述STASNet模型接收所述病理切片处理模块得到的图像作为输入图像后，所述STASNet模型引入卷积神经网络框架，称为STASNet框架进行模块的构建，并在组织图像数据集中完成模块的权重的训练及评估；所述STASNet模型基于MobileNetV3框架优化构建，主要包括以下几种关键组件：卷积层、池化层、激活函数和全连接层；基础组件包括卷积层、池化层、全连接层、激活函数、损失函数、优化器等，具体细节如下： 卷积层ConvolutionalLayer： 卷积层是CNN框架特征提取的核心，卷积层应用带有特定特征的卷积核ConvolutionalKernel针对图像局部区域依次进行矩阵运算，最终获得的新矩阵被视为包含原图像某类特征的特征图谱FeatureMap；单个卷积层包括数个卷积核用于对输入图像矩阵的不同特征进行提取，最终向下一层的所述池化层或卷积层网络输出数张包含不同特征的特征图谱； 池化层PoolingLayer： 由于CNN框架参数量过大，模型引入池化层来减少参数量；池化层对输入的特征图谱进行简化，通过对FeatureMap局部区域的计算，获得该区域具有代表性的特征值；常用的池化手段有最大值池化MaxPooling及平均值池化MeanPooling； 全连接层FullyConnectedLayer： 全连接层一般连接在整个CNN的末尾以起到对数据进行分类的作用，通过数个卷积及池化层之后，模型提取的多维度抽象特征综合评估并输出为特定特征标记；数个全连接层组成为全连接神经网络FullyConnectedNeuralNetwork，其中接受输入特征的全连接层成为输入层，最终输出为数个预设好的分类标签的全连接层为输出层，输入层与输出层之间的所有层均为隐藏全连接层； 激活函数ActivationFunction： 在模型训练过程中，参数不断从输入端流向输出端，在这过程中模型引入激活函数来评估输入结果是否会继续向后续模型传播； MobileNetV3使用了一种称为HardSwish的激活函数，这是一种修正线性单元ReLU的变种； HardSwish函数的数学表达式如下： ； 其中，ReLU6是一个截断的ReLU函数，其定义如下： ； 损失函数LossFunction和优化器Optimizer： 在模型的训练过程中，输入图像经过模型的提取特征和分类后，深度学习模型引入损失函数用于计算分类结果和真实结果之间的差距；在计算出损失值后，模型会应用优化器，反向对模型内部各节点参数进行更新优化，从而保证在下一次训练时可以获得更低的损失值； 应用交叉熵函数作为损失函数，应用Adam优化器以优化模型内部参数；公式如下： ； 其中xi为一离散变量，在本研究中代表预测结果中的每一类结果的预测值； Bneck模块BneckBlock： 基于多个所述卷积层和多个所述池化层的堆叠，可以构建出MobileNetV3的核心模块BneckBlock；不同于传统卷积层，BneckBlock通过将传统卷积操作分离为深度方向卷积Depth-wiseConvolution和1*1点卷积Point-wiseConvolution，大大减少参数量及计算复杂度，在提高模型效率的同时保持相对良好的性能； BneckBlock还通过添加Squeeze-and-Excitation注意力机制模块来增强模型输入特征的重要性权重区分，记忆布提升了模型性能； 构建的BneckBlock包括一组深度方向卷积、一组注意力模块SEBlock及一组1*1点卷积； 模型整体观： 基于上述组件，最终构建了STASNet模型；整体预测流程为： 输入图像被处理为256*256*3尺寸的矩阵，并在15组BneckBlock矩阵中顺序处理，最终生成一8*8*960尺寸的矩阵，并引通过一池化层转变为1*1*960尺寸的输出矩阵，并通过包括三层全连接层的全连接神经网络，最终输出二维结果，即[STAS，非STAS]。

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省肿瘤医院，其通讯地址为：210000 江苏省南京市百子亭42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”。