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！

龙图腾网获悉杭州电子科技大学申请的专利基于深度学习的眼底图像与造影图像的标签迁移分类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：CN113989191B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202111149517.3，技术领域涉及：G06T7/00；该发明授权基于深度学习的眼底图像与造影图像的标签迁移分类方法是由徐梓豪;王亚奇;金凯;高知远;贾刚勇;顾人舒设计研发完成，并于2021-09-29向国家知识产权局提交的专利申请。

本基于深度学习的眼底图像与造影图像的标签迁移分类方法在说明书摘要公布了：本发明公开了一种基于深度学习的眼底图像与造影图像的标签迁移分类方法，包括数据预处理、标签迁移、分类网络训练和特征可视化。具体是将所获得的眼底图像数据以及荧光素眼底血管造影图像数据进行预处理，从而突出病灶区域；将预处理后的荧光素眼底血管造影图像的标签特征转移到眼底图像的标签特征；将标签迁移后的眼底图像输入神经网络BathNet进行分类训练；将分类后的图像数据进行特征可视化处理，显示眼底图像的病灶区域。利用本发明方法只需一张眼底图像便可直接定位病灶区，并确定可能存在的疾病特征，因此提高了诊断效率，且有效降低了眼底疾病诊断的成本。

本发明授权基于深度学习的眼底图像与造影图像的标签迁移分类方法在权利要求书中公布了：1.基于深度学习的眼底图像与造影图像的标签迁移分类方法，其特征在于该方法包括以下步骤： 步骤1数据预处理阶段：将所获得的眼底图像CFP数据以及荧光素眼底血管造影图像FFA数据进行去冗余、尺寸归一化以及特征增强处理，从而突出病灶区域； 步骤2标签迁移阶段：将步骤1所获得的荧光素眼底血管造影图像FFA的标签特征转移到眼底图像CFP的标签特征； 步骤3分类网络训练阶段：将步骤2所获得的标签迁移后的眼底图像CFP输入神经网络BathNet进行分类训练； 步骤4特征可视化阶段：将步骤3所获得的已分类的图像数据进行特征可视化处理，显示眼底图像CFP的病灶区域； 所述步骤2中每一张眼底图像CFP以及荧光素眼底血管造影图像FFA都有对应的糖尿病视网膜病变的相关疾病特征的标签，将所述标签分为分类标签和分级标签两种；分类标签即为糖尿病视网膜病变疾病的特征种类标签，包括微血管瘤、渗透、无灌注区、黄斑水肿；每一个分类标签下有表示严重程度的分级标签：0级、1级、2级；将每张眼底图像CFP对应的数张荧光素眼底血管造影图像FFA的每个分类标签下的分级标签进行并集运算，将得到的荧光素眼底血管造影图像FFA标签迁移到眼底图像CFP去进行训练，使得眼底图像CFP使用荧光素眼底血管造影图像FFA的标签进行训练； 所述步骤3使用了双线性模型高效分类网络BathNet，神经网络BathNet结合了新型Backbone主干网络LGXNet以及空间特征注意力机制； 具体步骤包括：提取步骤2中标签迁移后的眼底图像CFP的特征信息后，输入到LGXNet后生成特征图像FeatureMap，FeatureMap输入A-Net后生成AttentionMap，将得到的FeatureMap与AttentionMap进行乘法运算，从而获得图像的掩码，分别对掩码与AttentionMap进行全局平均池化并作元素除法运算，作为空间特征注意力模块的输出；将LGXNet的输出放入B-Net后的结果与空间特征注意力模块的输出作为输入进行元素平均值运算，对元素平均值运算的输出通过双线性函数操作B得到双线性向量，最后再对所述双线性向量通过符号平方根运算和归一化得到BathNet的输出；将神经网络BathNet的输出进行全局平均池化后，再接Softmax层运算，输出一个1×N维度的向量，其中N为糖尿病视网膜病变相关疾病的特征数，得到训练后的分类结果； 其中为了更好的实现让神经网络将重点放在重要特征上的效果，评估每个神经元的重要性，将具有空域抑制效应的神经元赋予更高的重要性，通过以下公式计算最小能量，能量越低，神经元与周围神经元的区别越大，重要性越高，神经元的重要性通过得到： 其中， M是通道上的神经元数量，t和xi分别是输入特征X的单个通道中的目标神经元和其他神经元。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街；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”。