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！

龙图腾网获悉青岛大学申请的专利一种颈椎后纵韧带骨化症自动定位及分型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：CN120163825B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202510644664.X，技术领域涉及：G06T7/00；该发明授权一种颈椎后纵韧带骨化症自动定位及分型方法是由杨环;西永明;王红宇;张栩宁;杜钰堃;吕常林设计研发完成，并于2025-05-20向国家知识产权局提交的专利申请。

本一种颈椎后纵韧带骨化症自动定位及分型方法在说明书摘要公布了：本发明属于医疗影像处理技术领域，具体涉及一种颈椎后纵韧带骨化症自动定位及分型方法，基于CT与MRI影像同步解析CT影像的骨化灶空间分布特征与MRI影像的脊髓形态学参数，通过解剖结构拓扑约束显式建模椎体‑骨化物‑脊髓的空间关系，克服弥漫性钙化伪影、异质性信号干扰及多模态数据配准偏差，实现骨化物的精准定位与分型诊断，实现多维度特征融合分析，突破传统单一影像学指标诊断的局限性，通过混合分类器集成空间连续性与临床参数，提升分型判定的精准性与鲁棒性，全流程自动化生成结构化诊断报告，显著提高了临床决策效率与标准化水平；其原理科学可靠，依据分型标准自动计算骨化连续性指数、椎管侵占率及脊髓压迫分级参数。

本发明授权一种颈椎后纵韧带骨化症自动定位及分型方法在权利要求书中公布了：1.一种颈椎后纵韧带骨化症自动定位及分型方法，其特征在于，包括以下步骤： S1、多模态数据集构建 收集颈椎CT影像和MRI影像并进行转换，得到多模态数据集； S2、数据处理 构建椎体-骨化物-脊髓三级解剖结构拓扑图谱，对CT影像进行椎体及椎体后缘骨化物轮廓标注，对MRI影像进行椎体及脊髓受压形变区域同步标注，生成标注掩模； S3、深度学习网络架构设计 构建多任务分割网络，同时，通过双层融合模块进行特征还原，加入多层监督损失函数； S4、椎体及骨化部位精准分割 通过多模态数据集训练深度神经网络，通过U型架构编码器提取CT影像的椎体及骨化形态特征和MRI影像的椎体形态特征； 将任意原始CT影像及MRI影像输入训练好的深度神经网络，得到预测的CT矢状位椎体及骨化物分割，CT轴状位椎体及骨化物分割，MRI矢状位椎体及脊髓分割结果； S5、CT骨化位置分析 基于分割后的CT矢状位数据，通过定位骨化空间分布，提取骨化区域的形态特征，计算其沿椎管纵轴的延伸长度，结合椎体基准面动态评估骨化边界，对于钙化不均或伪影干扰，采用自适应阈值优化边界识别，输出骨化核心定位参数； S6、MRI脊髓受压分析 在MRI模态分支中，采用计算机视觉方法捕捉脊髓形态学变异特征，结合脑脊液信号强度变化构建脊髓压迫形变场，计算脊髓角； S7、椎管参数测量 分析CT轴状位影像，计算骨化物的厚度与椎管前后径的比值，得到椎管狭窄率； S8、智能分型决策 依据分型标准，通过深度学习分类方法分析骨化灶的空间连续性特征，结合椎管狭窄率阈值与脊髓受压迫情况，自动判别，并生成综合诊断报告； 其中，构建多任务分割网络的过程为： 将CT影像与MRI影像分别输入深度神经网络，经过一层卷积操作提取低层图像特征后，输入U型架构编码器和解码器，编码器采用多尺度残差下采样模块提取医学影像中的特征，在跳跃连接处增加特征融合模块； 首先，基于编码器多层的特征图设置四个不同的特征映射头，四个特征映射头均包括卷积、批归一化、Relu激活函数，卷积核结果分别输出原尺寸和、、、尺寸的特征图，并与真实结果进行损失计算； 然后，进行多层监督； 最后，通过一个全连接层，得到一个与分割结果类别相同层数的特征图，将多层结果合并到一张图中得到分割结果图； 双层融合模块进行特征还原的过程为： 在U型架构编码器中，上下两层特征融合模块通过跨层连接整合多尺度信息，设编码器第层输出的特征为，下一层（第层）通过下采样得到特征； 融合与跳跃连接的数学过程如下： 首先，高层特征上采样 对进行上采样，恢复空间分辨率：，其中表示上采样操作； 然后，特征融合机制 将与上采样后的通过拼接融合： ； 后接卷积调整通道数： ,其中为卷积核，为偏置； 最后，跳跃连接与编码器拼接 解码器第层通过上采样得到特征，将其与融合后的沿通道维度拼接：； 拼接后的特征通过解码器的卷积模块处理： ,其中包含卷积、归一化与激活函数，用于细化特征； 多层监督的过程为： U型架构解码器部分通过多层监督机制在不同尺度的特征图上引入监督信号，以增强特征表达能力和优化梯度传播，解码器的每一层输出均连接独立的特征映射头，通过多尺度预测与真实标签的联合损失计算进行监督； 特征映射头结构 每个特征映射头由卷积层+批归一化+ReLU激活函数构成，最终通过卷积调整通道数和分辨率，输出不同尺度的预测结果，设解码器第层的输出特征图为，对应的特征映射头操作包括： 卷积操作：采用卷积提取特征，保持空间分辨率： ； 批归一化与激活：=； 分辨率调整卷积：通过卷积生成目标通道数，并引入转置卷积调整分辨率：输出尺寸为原图（s=0,1,2,3分别对应原尺寸、12、14、18），通过步长为的卷积或上采样实现； 多尺度预测与损失计算 四个特征映射头输出的特征图分辨率分别为、、、，与真实标签进行多尺度监督： 真实标签下采样，对真实标签进行平均池化，生成多尺度标签：=； 多尺度损失函数：采用CELoss和DiceLoss，联合优化所有尺度：，其中,为各尺度损失权重。

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青岛大学，其通讯地址为：266000 山东省青岛市市南区宁夏路308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”。