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！

龙图腾网获悉南昌大学申请的专利一种基于类原型匹配软伪标签的半监督医学图像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：CN117132809B 。

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：202311017326.0，技术领域涉及：G06V10/764；该发明授权一种基于类原型匹配软伪标签的半监督医学图像分类方法是由闵卫东;熊若男设计研发完成，并于2023-08-14向国家知识产权局提交的专利申请。

本一种基于类原型匹配软伪标签的半监督医学图像分类方法在说明书摘要公布了：本发明提供了一种基于类原型匹配软伪标签的半监督医学图像分类方法，使用类原型匹配模块CPM预测未标记数据的软伪标签，该模块根据未标记数据局部邻域内标记数据的类原型相似度来自适应地预测其对应的软伪标签；设计了一个动态且无偏更新的缓存队列来存储预测正确的标记数据的标签和嵌入，并将缓存队列中属于同一类别的多个标记数据嵌入的均值作为该类的原型，使得类原型更加接近于真实特征中心；使用mixup增强方法来混合标记数据和未标记数据及其对应的标签，以增强模型学习类内和类间特征的能力，并在未标记数据两种不同类型的增强之间添加了一个额外的正则化项，以提高模型的预测能力。本发明有效地结合了伪标签和一致性正则化方法。

本发明授权一种基于类原型匹配软伪标签的半监督医学图像分类方法在权利要求书中公布了：1.一种基于类原型匹配软伪标签的半监督医学图像分类方法，其特征在于：包括以下步骤： 步骤一、将公开医学图像分类数据集进行划分，分为训练集、测试集以及验证集,并在训练集中划分标记数据集和未标记数据集，对所有图像及对应的标签数据进行预处理； 步骤二、构建医学图像分类网络模型，包括：输入层、深层卷积层、降采样层、输出层； 步骤三、构建标记缓存队列； 步骤四、基于步骤二和步骤三中构建的医学图像分类网络模型和标记缓存队列设计损失函数，其中包括：有监督损失、无监督损失以及未标记数据之间的一致性损失； 步骤五、以一定批次数量采样所述步骤一中标记数据集和未标记数据集； 步骤六、对所述步骤五中的标记图像进行弱增强，对所述步骤五中的未标记图像进行弱增强和强增强； 步骤七、将所述步骤六中获得的弱增强后的标记图像，弱增强和强增强后的未标记图像分别输入医学图像分类网络模型，并获得对应的嵌入； 步骤八、缓存队列以动态更新的方式为将当前批次经过弱增强后的标记数据的嵌入和标签入队列，队满以后从缓存空间中删除最早入队列的嵌入和对应的标签，再让新的标记数据的嵌入和标签入队列； 步骤九、根据所述步骤八中的标记缓存队列，计算属于同一类别的个有标签样本嵌入的均值，并作为该类别的原型，计算方式为如下： ； 步骤十、根据所述步骤七中的弱增强未标记图像的嵌入与强增强未标记图像的嵌入以及步骤九中的各类别原型，预测未标记图像的伪标签，得到弱增强伪标签与强增强伪标签； 步骤十一、根据所述步骤十得到的弱增强伪标签与强增强伪标签，将两者混合后得到的作为所有未标记数据的真实标签； 步骤十一、将批次大小为的强增强和弱增强后的未标记数据记为集合和批次大小同样也为的弱增强后的标记数据集利用函数合并之后，再使用函数随机打乱后的混合数据记为； 步骤十二、将弱增强后的标记数据与混合数据中的未标记样本以及它们对应的真实标签和伪标签输入mixup模块进行线性混合，利用不断更新损失的混合数据对网络进行训练； 步骤十三、计算有监督损失； 步骤十四、计算无监督损失； 步骤十五、计算无标记数据的一致性损失； 步骤十六、反向传播更新医学图像分类模型参数，并保存最佳的医学图像分类模型； 步骤十七、使用测试集中的图像对所述步骤十六的最佳的医学图像分类模型进行分类性能测试，并最后得到对所有测试医学图像的平均AUC、敏感度、特异度、准确率和F1-Score。

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南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999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。