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！

龙图腾网获悉四川大学华西医院申请的专利髋关节解剖位点预测系统及术前术后评价系统与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：CN120147830B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202510621197.9，技术领域涉及：G06V10/82；该发明授权髋关节解剖位点预测系统及术前术后评价系统与存储介质是由聂涌;王彪;王俊清;李行;朱柯嘉;周宗科;李康;樊喻波设计研发完成，并于2025-05-14向国家知识产权局提交的专利申请。

本髋关节解剖位点预测系统及术前术后评价系统与存储介质在说明书摘要公布了：本发明提供了髋关节解剖位点预测系统及术前术后评价系统与存储介质，属于医学数据处理技术领域。本发明系统包括：输入模块，输入患者的待识别髋关节图像数据；数据处理模块：将待识别髋关节图像数据输入深度学习网络模型中，获取待识别髋关节图像数据中的解剖位点和解剖区域；输出模块：输出识别得到的解剖位点和解剖区域，根据解剖位点和解剖区域计算参数，输出基于解剖信息的预测的术前规划或者术后评价。本发明系统的准确性和鲁棒性高，不仅提高了临床髋关节发育不良的手术效率，还促进了全髋关节置换术前规划和术后评估系统的数字化，减轻了患者负担，有利于规范化参数，具有广阔的应用前景。

本发明授权髋关节解剖位点预测系统及术前术后评价系统与存储介质在权利要求书中公布了：1.一种髋关节解剖位点预测系统，其特征在于，包括： 输入模块，被配置为，输入患者的待识别髋关节图像数据； 数据处理模块，被配置为，将待识别髋关节图像数据输入深度学习网络模型中，识别解剖位点和解剖区域； 输出模块，被配置为，输出识别得到的解剖位点和解剖区域； 其中，所述深度学习网络模型是由区域分割模型和关键点定位模型Res-SwinFusion组成；所述关键点定位模型Res-SwinFusion是以U型架构结合Swintransformer特征提取模块和ResNet骨干网络构建的模型； 所述关键点定位模型Res-SwinFusion包括以下结构： 设置输入层，所述输入层后端分别连接线性嵌入层、第一卷积层和第二卷积层，所述线性嵌入层后端依次连接第一Swin-transformer特征提取模块、第二Swin-transformer特征提取模块、第三Swin-transformer特征提取模块、第四Swin-transformer特征提取模块；所述第一卷积层后端依次连接第一Resnet特征提取模块、第二Resnet特征提取模块、第三Resnet特征提取模块、第四Resnet特征提取模块； 所述第一Swin-transformer特征提取模块和第一Resnet特征提取模块输出的特征图通过第一特征交互聚合模块进行融合；所述第二Swin-transformer特征提取模块和第二Resnet特征提取模块输出的特征图通过第二特征交互聚合模块进行融合；所述第三Swin-transformer特征提取模块和第三Resnet特征提取模块输出的特征图通过第三特征交互聚合模块进行融合；所述第四Swin-transformer特征提取模块和第四Resnet特征提取模块输出的特征图通过第四特征交互聚合模块进行融合； 所述第四特征交互聚合模块后端通过上采样的方式连接有第一特征连接模块，所述第三特征交互聚合模块通过跳跃连接与所述第一特征连接模块连接；所述第一特征连接模块后端通过上采样的方式连接有第二特征连接模块，所述第二特征交互聚合模块通过跳跃连接与所述第二特征连接模块连接；所述第二特征连接模块后端通过上采样的方式连接有第三特征连接模块，所述第一特征交互聚合模块通过跳跃连接与所述第三特征连接模块连接；所述第三特征连接模块后端通过上采样的方式连接有第四特征连接模块，所述第一卷积层通过跳跃连接与所述第四特征连接模块连接；所述第四特征连接模块后端通过上采样的方式连接有第五特征连接模块，所述第二卷积层通过跳跃连接与所述第五特征连接模块连接； 所述第五特征连接模块后端连接有第三卷积层； Swin-transformer特征提取模块，被配置为，每个Swin-transformer特征提取模块包括基于窗口的多头自注意力模块、移位窗口多头自注意力模块和DFG模块，基于窗口的多头自注意力模块和移位窗口多头自注意力模块相连，DFG模块连接在基于窗口的多头自注意力模块之前和移位窗口多头自注意力模块之后；所述DFG模块详细说明如下： 表示第n个阶段，；对于不同阶段，Swin-transformer特征提取模块的输入首先被重塑为，其中，表示在第n个阶段特征图的高度，；表示在第n个阶段特征图的宽度，；表示原始输入图像的高度，表示原始输入图像的宽度；再应用膨胀卷积层来扩展感受野并将通道数压缩至，得到特征： 其中，为重塑函数，用于匹配尺寸； 接着，对进行全局平均池化操作后进行重塑以获得特征： 对进行重塑后的特征与特征进行张量积，然后进行归一化得到的结果： 最后，对和通过sigmoid函数显式建模的进行元素逐位相乘，应用膨胀卷积层得到空间注意力特征： 最终通过将空间注意力特征与移位窗口多头自注意力模块的输出相加，得到阶段输出特征： 。

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四川大学华西医院，其通讯地址为：610000 四川省成都市武侯区国学巷37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”。