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！

龙图腾网获悉重庆大学申请的专利多视图医学图像与文本报告之间的互学习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：CN119694479B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411857618.X，技术领域涉及：G16H15/00；该发明授权多视图医学图像与文本报告之间的互学习方法及系统是由钟代笛;李虓宇;黄智勇;仲元红;韩术;王丽君;虞智;侯明阳;苗帅设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本多视图医学图像与文本报告之间的互学习方法及系统在说明书摘要公布了：本发明涉及人工智能技术领域，具体公开了一种多视图医学图像与文本报告之间的互学习方法及系统，通过构建互学习模型并将互学习模型的学习过程划分为图像重建任务、报告重建任务和多视图对齐任务，图像重建任务获取多视图医学图像的特征表示，报告重建任务获取文本报告的特征表示并将其与图像特征表示进行跨模态融合得到重建文本报告，多模态重建任务的集成使模型能够学习更丰富、更详细的特征表示，提高了其对丢失或损坏数据的鲁棒性。此外，跨模态文本重建中基于交换的多模态融合方法旨在充分整合视觉特征，丰富领域特定知识的语义表示。通过预训练和联合训练，优化模型性能，以便在应用该互学习模型后获得更准确和全面的诊断结果。

本发明授权多视图医学图像与文本报告之间的互学习方法及系统在权利要求书中公布了：1.多视图医学图像与文本报告之间的互学习方法，其特征在于，包括步骤： S1、构建互学习模型； 所述互学习模型用于实现图像重建任务、报告重建任务和多视图对齐任务，所述图像重建任务为从多个拍摄角度的多视图医学图像提取视觉特征得到一幅重建医学图像；报告重建任务为从该多视图医学图像对应的文本报告提取报告特征，并集成所述报告特征和所述视觉特征生成跨模态的重建文本报告；所述多视图对齐任务为在特征空间中对齐多视图医学图像和文本报告； 所述图像重建任务包括视觉编码阶段、图像重建阶段；所述视觉编码阶段是采用图像掩模对输入的各视图图像进行盖掩后，采用图像编码器提取各盖掩图像的特征并进行融合，得到融合图像；所述图像重建阶段是采用视觉解码器将视觉编码阶段得到的融合图像进行重建，得到重建图像； 所述报告重建任务包括报告输入过程、报告掩模过程、报告编码过程、多模态融合过程、报告解码过程；所述报告输入过程是将原始文本报告通过分词器转换为原始单词块序列；所述报告掩模过程是采用报告掩模对原始单词块序列随机选择n个单词块进行盖掩，获得原始单词块盖掩序列和原始单词块未盖掩序列；所述报告编码过程是通过采用报告编码器对所述原始单词块未盖掩序列进行特征提取，得到文本嵌入；所述多模态融合过程是将所述文本嵌入与所述融合图像进行整合，得到新的文本嵌入； 所述多视图对齐任务包括多视图编码阶段、多文本编码阶段、多视图对齐阶段；所述多视图编码阶段是采用共享的图像编码器将各视图图像对应的盖掩图像编码到特征空间中，获得对应的各视图盖掩图像特征； 多文本编码阶段包括对原始文本报告进行增强，得到增强文本报告，然后对增强文本报告进行盖掩，得到增强盖掩文本报告；然后将原始盖掩文本报告、增强盖掩文本报告馈送到共享的报告编码器中，从而产生相应的原始盖掩文本报告特征和增强盖掩文本报告特征； 所述多视图对齐阶段用于将多个视图盖掩图像特征和多个盖掩文本报告特征进行一一配对然后通过训练的方式进行特征对齐； S2、对所述图像重建任务、所述报告重建任务和所述多视图对齐任务分别进行预训练； 在对所述图像重建任务的预训练过程中，采用均方误差损失函数计算重建图像中重建的i个图像块和相应的真值块之间的损失；在对所述报告重建任务的预训练过程中，采用条件概率函数计算图像编码器、报告解码器和图像文本融合模块之间的损失；在对所述多视图对齐任务的预训练过程中，计算每对视图盖掩图像特征和盖掩文本报告特征之间的损失； S3、对预训练的所述图像重建任务、所述报告重建任务和所述多视图对齐任务进行联合训练； 对预训练的所述图像重建任务、所述报告重建任务和所述多视图对齐任务进行联合训练所采用的损失函数等于为平衡各类损失的权重系数，分别为所述图像重建任务、所述报告重建任务和所述多视图对齐任务的损失；等于带权重系数的多对视图图像和文本报告之间的对齐损失之和。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174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。