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！

龙图腾网获悉宁波大学申请的专利基于长短程特征的胸腰椎关键点自动识别及Cobb角计算的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：CN119445304B 。

龙图腾网通过国家知识产权局官网在2025-07-15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：202411508812.7，技术领域涉及：G06V10/80；该发明授权基于长短程特征的胸腰椎关键点自动识别及Cobb角计算的方法是由戴吉程;陆青青;张哲昊;王怡安;潘宇宁;高琳琳设计研发完成，并于2024-10-28向国家知识产权局提交的专利申请。

本基于长短程特征的胸腰椎关键点自动识别及Cobb角计算的方法在说明书摘要公布了：本发明涉及基于长短程特征的胸腰椎关键点自动识别及Cobb角计算的方法，包括：形成样本集；构建网络模型，构建的网络模型包括具有d个编码层的编码器、具有d个解码层的解码器、d‑1个椎体位置捕捉模块和处理单元，椎体位置捕捉模块包括短程特征联系模块和长程特征联系模块，处理单元包括中心定位模块、中心对比学习模块、中心偏移模块和角定位模块；将训练集中所有的样本图像分批次输入到构建的网络模型中进行训练，经过多次训练与验证后，筛选出最优的网络模型；将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的关键点定位结果；该方法减少外来物遮挡对胸腰椎关键点检测的影响，使得胸腰椎关键点的识别更为精准。

本发明授权基于长短程特征的胸腰椎关键点自动识别及Cobb角计算的方法在权利要求书中公布了：1.基于长短程特征的胸腰椎关键点自动识别方法，其特征在于包括如下步骤： 步骤1、获取一定数量的脊柱前后位X射线图像，对每幅X射线图像中的每个胸椎和腰椎椎体标注左上、右上、左下和右下四个位置，形成样本集； 步骤2、将样本集分成训练集、验证集和测试集； 步骤3、构建网络模型，构建的网络模型包括具有d个编码层的编码器、具有d个解码层的解码器、d-1个椎体位置捕捉模块和处理单元，d为大于1的正整数； d个编码层依次相连接，d个解码层也依次相连接，且第d个编码层的输出端与第1个解码层的输入端连接；第1个椎体位置捕捉模块设于第2个编码层和第3个编码层之间，第2个椎体位置捕捉模块设于第3个编码层和第4个编码层之间，…，第d-2个椎体位置捕捉模块设于第d-1个编码层和第d个编码层之间，第d-1个椎体位置捕捉模块设于第d个编码层和第1个解码层之间，第1个椎体位置捕捉模块与第d个解码层跳跃连接，第2个椎体位置捕捉模块与第d-1个解码层跳跃连接，…，第d-1个椎体位置捕捉模块与第2个解码层跳跃连接； 所述椎体位置捕捉模块包括短程特征联系模块和长程特征联系模块，所述椎体位置捕捉模块的具体处理过程为：将输入到椎体位置捕捉模块的原始特征图进行两次图块划分，一次图块划分是将原始特征图均匀划分成q个第一特征图块，另一次图块划分是将原始特征图均匀划分成q-1个第二特征图块；第二特征图块和第一特征图块的图像大小相同，q为大于1的正整数； 在第二特征图块划分前，先将原始特征图的上下各空出h2q的距离，再将原始特征图中除空出位置以外的图像进行均匀划分，即得到q-1个第二特征图块，h为原始特征图的高度； 再利用短程特征联系模块分别对每个第一特征图块和每个第二特征图块进行自注意力处理，得到每个第一特征图块所对应的第一特征图以及每个第二特征图块所对应的第二特征图，并按照第一特征图块的先后顺序对所有第一特征图进行拼接，得到第一输出特征图；另外按照第二特征图块的先后顺序对所有第二特征图进行拼接，得到第二输出特征图，第一输出特征图和第二输出特征图均与原始特征图的图像大小相同，最后将第一输出特征图和第二输出特征图进行融合，得到短程特征联系模块输出的特征图； 另外利用长程特征联系模块分别对每个第一特征图块和每个第二特征图块进行全局平均池化处理，得到每个第一特征图块所对应的第三特征图以及每个第二特征图块所对应的第四特征图；接着对所有第三特征图进行自注意力处理，得到第五特征图，并将第五特征图与原始特征图相加，得到第三输出特征图；同样地，对所有第四特征图进行自注意力处理，得到第六特征图，并将得到第六特征图与原始特征图块相加，得到第四输出特征图；最后将第三输出特征图和第四输出特征图进行融合，得到长程特征联系模块输出的特征图； 将短程特征联系模块输出的特征图、长程特征联系模块输出的特征图和原始特征图相加，即得到椎体位置捕捉模块的输出； 处理单元包括中心定位模块、中心对比学习模块、中心偏移模块和角定位模块，中心定位模块、中心对比学习模块、中心偏移模块和角定位模块均与第d个解码层的输出端连接； 步骤4、将训练集中所有的样本图像分批次输入到步骤3中构建的网络模型中进行训练，并使用验证集中所有样本图像验证训练后的网络模型性能；经过多次训练与验证后，筛选出最优的网络模型； 步骤5、将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的关键点定位结果；该待测试图像的关键点定位结果包括中心偏移模块预测得到每节椎体的中心点在待测试图像中的坐标以及角定位模块预测得到各椎体端点在待测试图像中的坐标。

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宁波大学，其通讯地址为：315211 浙江省宁波市江北区风华路818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”。