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！

龙图腾网获悉重庆邮电大学申请的专利一种基于动态稀疏化对比学习的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：CN117975122B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202410068880.X，技术领域涉及：G06V10/764；该发明授权一种基于动态稀疏化对比学习的医学图像分类方法是由张莉萍;张鱼齐;李新洋;王浩东;雷大江;李伟生设计研发完成，并于2024-01-17向国家知识产权局提交的专利申请。

本一种基于动态稀疏化对比学习的医学图像分类方法在说明书摘要公布了：本发明属于病理学图像分类领域，具体涉及一种基于动态稀疏化对比学习的医学图像分类方法，包括：获取待分类的医学图像，对医学图像进行预处理；将预处理后的图像输入到动态稀疏多实例学习框架，得到不同尺度下的动态稀疏多实例学习框架的权重；将不同尺度下权重加载到跨尺度对比学习的主干网络中，并对1024维度的特征进行学习，得到不同尺度的特征；将不同尺度的特征输入到跨尺度对比学习框架，得到融合特征；将融合特征输入到分类器中进行分类；本申请通过模型中的动态稀疏层以自适应地从整张全切片图像中所有实例中逐步筛选、挖掘出这些细小的不易察觉的关键实例，来帮助模型快速做出科学并准确的决策，从而增强模型的泛化和分类能力。

本发明授权一种基于动态稀疏化对比学习的医学图像分类方法在权利要求书中公布了：1.一种基于动态稀疏化对比学习的医学图像分类方法，其特征在于，包括：获取待分类的医学图像，对医学图像进行预处理；将预处理后的图像输入到训练后的基于动态稀疏多实例学习框架的分类模型中，得到分类结果；对分类后的医学图像机进行可视化； 对基于动态稀疏多实例学习框架的分类模型进行训练包括： S1、获取全切片图像数据集，对全切片图像数据集中的图进行预处理，得到1024维度的特征； S2、将所有的1024维度的特征划分为训练集和测试集； S3、将训练集中的特征输入到动态稀疏多实例学习框架DSTMIL中进行训练，得到不同尺度下的动态稀疏多实例学习框架的权重；具体包括：从全切片图像中获取无重叠的patches，采用image-1K预训练好冻结权重的resnet50网络，提取其特征嵌入X＝{x1,x2,…,xN}；将特征嵌入输入到DSTMIL框架中，其中DSTMIL框架由多头自注意力头和稀疏化决策层构成，通过自行决定注意层和决策层的位置，分层次、逐步地得到更具决定性的关键实例和其classtoken，将classtoken送入全连接网络，得到不同尺度下的动态稀疏多实例学习框架的权重； S4、将不同尺度下的动态稀疏多实例学习框架的权重加载到跨尺度对比学习的主干网络中，并对1024维度的特征进行学习，得到不同尺度的特征；具体包括：将不同尺度下得到的权重，按照网络层的对应关系，逐参数地加载到跨尺度对比学习主干网络中相应的权重参数位置，实现权重的传递； S5、将不同尺度的特征输入到跨尺度对比学习框架进行训练，通过权重分配模块对不同尺度的特征进行融合，得到最终的融合特征； 将不同尺度的特征输入到跨尺度对比学习框架进行训练包括：对比学习框架设置了两个memorybank，用以分别存放不同类别的包级表征，不同尺度下同属一类的表征存放入相同的memorybank；对比学习框架中采用对比损失函数CL约束不同分辨率下的包级表征，即对于正样本，定义不同尺度下的包级表征zh和zl，计算两者的余弦相似度，对于从memorybank中随机选择的负样本N计算余弦相似度；根据两个余弦相似度计算正样本对的对比损失以及交叉熵损失，根据对比损失和交叉熵损失生成端到端框架中的总体损失函数； S6、将最终融合特征输入到分类器中进行分类； S7、根据分类结果计算模型的损失函数，调整模型参数，当损失函数收敛时完成模型的训练； S8、将测试集中的数据输入到训练后的模型中，并采用评价指标对模型进行评价。

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邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2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。