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！

龙图腾网获悉吉林大学申请的专利一种肾脏肿瘤MRI断层扫描图像的特征提取和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：CN117274686B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202311202196.8，技术领域涉及：G06V10/764；该发明授权一种肾脏肿瘤MRI断层扫描图像的特征提取和分类方法是由赵岩;周真伊;王春悦;王世刚设计研发完成，并于2023-09-18向国家知识产权局提交的专利申请。

本一种肾脏肿瘤MRI断层扫描图像的特征提取和分类方法在说明书摘要公布了：一种肾脏肿瘤MRI断层扫描图像的特征提取和分类方法属图像识别技术领域，本发明以实际肾脏肿瘤患者的MRI断层扫描图像为实验数据，以患者的不同Ki67表达结果为分类标准，通过建立特征向量对图像进行分类。在特征提取时考虑肾脏肿瘤MRI断层扫描图像的特性，利用高斯混合模型对图像进行拟合，获取代表图像分布情况的数学特征，对特征进行筛选，得到具有代表性的图像特征。利用支持向量机对不同图像的特征进行分类，将肾脏肿瘤MRI图像与Ki67的表达建立联系，从而得到更精确的图像识别和分类结果。本发明具有物理可解释性，可在临床医学中协助医生判断患者肾脏肿瘤的病理时期和恶性倾向。

本发明授权一种肾脏肿瘤MRI断层扫描图像的特征提取和分类方法在权利要求书中公布了：1.一种肾脏肿瘤MRI断层扫描图像的特征提取和分类方法，其特征在于包括下列步骤： 1以实际肾脏肿瘤患者的MRI断层扫描图像为实验数据，以患者的不同Ki67表达结果为分类标准，建立特征向量对图像进行分类，包括下列步骤： 1.1获取肾脏肿瘤患者的肾脏MRIT1加权图像作为训练集； 1.2根据阳性细胞数的比例，按照Ki67的阳性表达结果：弱阳性、阳性、强阳性，将数据划分至三类中； 1.3利用灰度均衡化方法对训练集进行图像预处理； 2在特征提取中，考虑肾脏肿瘤MRI断层扫描图像的特性，利用高斯混合模型对MRI断层扫描图像进行拟合，获取代表图像分布情况的数学特征，对数学特征进行筛选，得到具有代表性的图像特征，包括下列步骤： 2.1利用K均值聚类算法进行聚类，计算像素点聚类类别，其数学表达式为： 其中：iClass是第j个聚类中心；μj是第j个聚类中所有像素点向量的均值； 2.2利用聚类结果，分组计算出初始均值、初始协方差和初始先验概率； 2.3利用步骤2.2所得参数，计算每个像素点属于不同类别的概率，其数学表达式为： 其中：Xi是随机向量；Θj是第j个分布的分布参数的集合；μj是第j个分布中所有像素点向量的均值；Σj是第j个分布的协方差矩阵；Dim是数据的维度； 2.4利用计算出的每个像素点属于不同类别的概率，划分每个像素点所属的类别，其数学表达式为： 2.5根据先验概率αj自身具有的约束：且后验概率ωij满足使用拉格朗日乘数法计算出先验概率，其数学表达式为： 其中：αj是先验概率，即某个像素点属于第j个分布的概率；ωij为后验概率ΦXi|Θj，即基于当前计算所得参数，得出第i个像素点属于第j个分布的概率；J是对数形式的似然函数，即所有的点属于服从当前分布的概率，其数学表达式为： Λ是高斯混合模型的参数集合；ηi是拉格朗日系数；N是像素点的个数；K是分布的个数； 2.6根据后验概率ωij，计算出均值： 其中：μj是第j个分布中所有像素点向量的均值； 2.7计算出迭代的协方差矩阵： 2.8设图像的分布为高斯混合模型，计算总概率密度： 其中：X是随机向量Xi的集合；Λ是高斯混合模型的参数集合；pΛYi是第i个像素的概率密度函数；N是像素点的数目；K是高斯分布数目；αj是先验概率；ΦXi|Θj为高斯分布的概率密度函数；Θj是第j个分布的其他参数； 2.9循环迭代步骤2.3-2.8，计算本次迭代参数与上一次迭代参数的差值之和，如果差值大于0.001，继续迭代；如果总概率密度没有显著增加，且差值之和小于0.001，则本次迭代参数即为所求高斯混合模型参数； 2.10将步骤2.9中计算出的模型参数作为数学特征向量，并在此基础上进行特征筛选，保留最具代表性的特征向量，特征筛选的数学表达式为： 其中：Fi是第i个特征向量的F-score；x是训练样本集；是第i个特征在第j个数据集上的平均值；是第i个特征在整个数据集上的平均值；nj是第j类的样本个数；是第j类第k个样本点第i个特征的特征值；l是训练样本类别数； 3利用支持向量机，对不同图像的特征进行分类，将肾脏肿瘤MRI图像与Ki67的表达建立联系，得到更精确的图像识别和分类结果，包括下列步骤： 3.1利用支持向量机，以Ki67表达结果为分类标准，对不同图像的特征向量进行训练和测试，其决策边界bij的判别函数为： 其中：实验数据为T＝{x1,y1,x2,y2,...,xn,yn}；分类标准为yi∈{c1,c2,...,ck}；w是每一个向量的权重向量；φ表示输入特征空间的非线性映射；b是偏置，即超平面相对于原点的位移；t是i、j的数据集的并集的索引； 3.2利用SVM分类函数判断数据xnew所属的类别，其数学表达式为： 其中：xnew是测试样本集；α是拉格朗日系数；k是核函数；在低维特征空间计算使用的径向基高斯核函数为： 其中：xi是输入的第i个特征向量，衡量x1、x2在空间里的相似程度。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699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”。

以上内容由龙图腾AI智能生成。