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！

龙图腾网获悉北京大学第三医院(北京大学第三临床医学院)申请的专利一种严重产后出血的预测方法及系统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：CN119919383B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202510000043.8，技术领域涉及：G06T7/00；该发明授权一种严重产后出血的预测方法及系统是由郭晓玥;赵扬玉;王妍;杨怡珂设计研发完成，并于2025-01-01向国家知识产权局提交的专利申请。

本一种严重产后出血的预测方法及系统在说明书摘要公布了：本发明实施例的方法中提出了一种严重产后出血的预测方法及系统，该方法首先获取多模态医学影像数据后对其进行预处理与对齐；然后通过滑动窗口策略对图像进行分割处理，从分割结果中提取结构特征、纹理特征、血流动力学特征和血管分布特征；随后将特征作为节点构建图结构，利用图卷积网络对节点间关系进行编码，并计算出特征在拓扑层面的关联性；最后根据关联性将特征进行融合后，输入预测模型后输出预测结果。本发明的方法通过多特征融合和多模态数据整合，提高了预测能力和预测的准确性，增强了模型在不同数据环境下的鲁棒性，能够在孕妇妊娠中后期及时识别出出血风险，提供早期干预和治疗建议，显著降低严重产后出血的发生率和致命性。

本发明授权一种严重产后出血的预测方法及系统在权利要求书中公布了：1.一种严重产后出血的预测方法，其特征在于，所述方法包括： S1、获取多模态医学影像数据后对其进行预处理与对齐，所述多模态医学影像数据包括孕妇妊娠中后期的MRI图像数据和超声多普勒图像数据； S2、通过滑动窗口策略对图像进行分割处理，从分割结果中提取结构特征、纹理特征、血流动力学特征和血管分布特征； S3、将特征作为节点构建图结构，利用图卷积网络对节点间关系进行编码，并计算出结构特征、纹理特征、血流动力学特征和血管分布特征在拓扑层面的关联性； S4、根据关联性将结构特征、纹理特征、血流动力学特征和血管分布特征进行融合后，输入预测模型后输出预测结果； 所述S1包括： S11、对多模态医学影像数据进行去噪与伪影抑制后，进行分辨率和灰度的归一化； S12、构建初步深度学习模型进行轮廓检测，对子宫与胎盘区域进行定位生成感兴趣区域； S13、分别选取MRI图像感兴趣区域和超声多普勒图像感兴趣区域的子宫角、胎盘边缘、和血管入口，若能够进行薄板样条的形变配准，则将两个模态在统一坐标系下进行对齐；若不能够进行薄板样条的形变配准，则将两个模态在对抗网络中进行对齐； 所述S12具体包括： S121、构建初步深度学习模型： 其中，X表示归一化的多模态医学影像数据，Θ表示初步深度学习模型的所有可训练参数，Wout和bout表示输出层的权重和偏置，Fe 1和表示编码器和解码器的倒数第二层的特征图，CC为Concat的缩写表示特征图的拼接，US为UpSample的缩写表示上采样操作，σ为激活函数，和表示最后一层解码层的两层卷积核的权重，和表示最后一层解码层的两层卷积核的偏置； S122、构建初步学习模型的损失函数： 其中，LDice为Dice损失，LCE为交叉熵损失，pi为预测值，gi为预测值，ε为真实值，yi为真实标签，为预测概率，N为训练样本数量，α和β为权重参数； S123、基于多个训练样本通过梯度下降法最小化损失函数LΘ，并将此时的可训练参数Θ代入初步深度学习模型； S124、将待处理的多模态医学影像数据输入训练好的初步深度学习模型，生成预测概率图，将概率图转化为二值掩码并进行平滑处理后，使用Canny边缘检测算法提取掩码的边缘轮廓，裁剪后生成基于子宫与胎盘区域的感兴趣区域； 所述S13具体包括： S131、分别选取MRI图像感兴趣区域和超声多普勒图像感兴趣区域的子宫角、胎盘边缘和血管入口，提取精确坐标，形成超声图像地标点集和MRI图像地标点集 S132、构建薄板样条映射函数其中，A为平移向量且B为仿射变换矩阵且ωi为非刚性变形权重且Ur＝r2logr2为径向基函数，||·||为欧几里得距离；通过最小化变形能量，建立线性方程组求解A、B和ωi解得映射函数fx； S133、通过公式计算配准后地标点的误差MSE值，若MSE值在预设误差范围内，则判断MRI图像感兴趣区域和超声多普勒图像感兴趣区域能够进行薄板样条的形变配准，将超声图像中的所有像素点xi通过薄板样条映射函数变换到MRI图像的坐标系下进行对齐； S134、若MSE值不在预设误差范围内，则判断MRI图像感兴趣区域和超声多普勒图像感兴趣区域不能够进行薄板样条的形变配准，则利用对抗网络进行配准对齐； 所述S134具体包括： 构建包含生成器G、生成器F、判别器DMRI和判别器DUS的对抗网络模型，其中，生成器G用于将超声图像XUS转换为MRI风格图像GXUS，生成器F用于将MRI图像XMRI转换为超声风格图像FXMRI，判别器DMRI用于判别图像是否为真实的MRI图像，判别器DUS用于判别图像是否为真实的超声图像； 构建包含对抗损失和循环一致性损失的总损失函数： LtotalG,F,DMRI,DUS＝LGANG,DMRI,XUS,XMRI+LGANF,DUS,XMRI,XUS+λLcycleG,F；其中，LGANG,DMRI,XUS,XMRI表示生成器G和判别器DMRI的对抗损失，LGANF,DUS,XMRI,XUS表示生成器F和DUS的对抗损失，LcycleG,F表示循环一致性损失，λ为权重参数，为期望操作符；用公式表示如下： 初始化训练参数，通过不断更新判别器和生成器进行迭代训练直至总损失函数到达预设的训练轮数，得到最终对抗网络模型； 利用生成器G将超声图像XUS转换为MRI风格图像GXUS，将其与MRI图像XMRI进行对齐。

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北京大学第三医院(北京大学第三临床医学院)，其通讯地址为：100191 北京市海淀区花园北路49号北京大学第三医院；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。