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！

龙图腾网获悉深圳市龙岗中心医院;深圳市大数据研究院申请的专利脑出血预后的预测方法、装置、电子设备及存储介质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：CN118866403B 。

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：202410802957.1，技术领域涉及：G16H70/60；该发明授权脑出血预后的预测方法、装置、电子设备及存储介质是由张灵艳;朱记超;万翔;王昌淼;俞鑫磊;单许豪;葛瑞泉;刘波;李米芳;张妃媛设计研发完成，并于2024-06-20向国家知识产权局提交的专利申请。

本脑出血预后的预测方法、装置、电子设备及存储介质在说明书摘要公布了：本发明涉及图像处理技术领域。本发明公开了一种脑出血预后的预测方法、装置、电子设备及存储介质脑出血预后的预测方法，其能够提高脑出血预后预测的准确性。所述脑出血预后的预测方法脑出血预后的预测方法包括获取脑出血影像；将所述脑出血影像输入深度学习网络中的多层下采样层，生成多个不同尺度的图像特征；将所有所述图像特征输入深度学习网络中的SAM‑CLIP跨模态交互模块，生成与每个所述图像特征对应的有效掩码；将所有所述图像特征和所有所述有效掩码输入深度学习网络中的多任务特征融合模块进行特征融合，生成分割输出信息和分类特征输出信息；将所述分割输出信息和所述分类特征输出信息输入深度学习网络中对应的下游任务模块，生成预测结果。

本发明授权脑出血预后的预测方法、装置、电子设备及存储介质在权利要求书中公布了：1.脑出血预后的预测方法，其特征在于，包括： 获取脑出血影像； 将所述脑出血影像输入深度学习网络中的多层下采样层，生成多个不同尺度的图像特征； 将所有所述图像特征输入深度学习网络中的SAM-CLIP跨模态交互模块，生成与每个所述图像特征对应的有效掩码； 将所有所述图像特征和所有所述有效掩码输入深度学习网络中的多任务特征融合模块进行特征融合，生成分割输出信息和分类特征输出信息；所有所述图像特征包括第四图像特征、第三图像特征、第二图像特征和第一图像特征，所有所述有效掩码包括第四个有效掩码、第三个有效掩码、第二个有效掩码和第一个有效掩码； 将所述分割输出信息和所述分类特征输出信息输入深度学习网络中对应的下游任务模块，生成预测结果; 将所有所述图像特征输入深度学习网络中的SAM-CLIP跨模态交互模块，生成与每个所述图像特征对应的有效掩码的步骤具体包括：采用预定算法对所有所述图像特征进行处理，生成与每个所述图像特征对应的CLIP掩码；采用SAM模型对所有所述CLIP掩码进行细化处理，生成所述有效掩码； SAM模型对CLIP掩码进行细化的具体步骤为：先将分割提示框信息和粗糙分割掩码合成为一个边界框和一组随机选择的点，接着，由SAM提示词编码器对边界框和点处理成为约束条件，SAM掩码解码器依据所述约束条件，对经过卷积层处理的CLIP掩码与图像特征相加后的结果进行转换，生成最终的有效掩码； 所述分割提示框信息为像素范围，所述像素范围由像素起点和像素终点构成； 所述粗糙分割掩码是二维矩阵，所述二维矩阵的形成过程是将脑出血区域从所述脑出血影像中从背景分离出来的图像，赋予图像中每个像素一个标签，所有像素的标签形成所述二维矩阵； 将所有所述图像特征和所有所述有效掩码输入深度学习网络中的多任务特征融合模块进行特征融合，生成分割输出信息和分类特征输出信息的步骤包括:第四个有效掩码和两个第四图像特征输入组聚合桥结构，生成第四融合特征，其中一个第四图像特征是与第四图像特征对应的底层特征；第三个有效掩码、第三图像特征和第四融合特征输入组聚合桥结构，生成第三融合特征，第四融合特征是与第三图像特征对应的底层特征；第二个有效掩码、第二图像特征和第三融合特征输入组聚合桥结构，生成第二融合特征，第三融合特征是与第二图像特征对应的底层特征；第一个有效掩码、第一图像特征和第二融合特征输入组聚合桥结构，生成第一融合特征，第二融合特征是与第一图像特征对应的底层特征；对所述第二融合特征、所述第三融合特征和所述第四融合特征进行双线性插值逆向处理后，再与所述第一融合特征合并形成所述分类特征输出信息； 所述下游任务模块设置有联合损失函数，用于建立任务之间的相关性，促进模型的优化；所述联合损失函数的计算公式为：；其中，为联合损失函数结果；为分割任务和分类任务的一致性损失函数；为总体分割损失函数，由四个尺度图像特征的加权和构成，第一图像特征的权重为1，第二图像特征的权重为0.75，第三图像特征的权重为0.5，第四图像特征的权重为0.25；为分类损失函数，其采用加权交叉熵损失函数来量化预测结果和真实标签之间的距离；与分别代表总体分割损失函数和分类损失函数的权重，的值为0.2，的值为0.8；和用于确保分割和分类目标之间的平衡；将分类特征输出信息通过一个softmax层处理得到中间信息，随后，使用Jensen-香农散度来量化所述中间信息和分割输出信息之间的差异；对于每个尺度图像特征，计算戴斯相似性系数和Jaccard相似系数，以评估预测掩码之间的一致性。

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深圳市龙岗中心医院;深圳市大数据研究院，其通讯地址为：518116 广东省深圳市龙岗区龙岗大道6082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。