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！

龙图腾网获悉杭州电子科技大学;杭州中科先进技术发展有限公司申请的专利基于不完整三模态共注意融合的轻度认知障碍转换预测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：CN119905256B 。

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：202411965116.9，技术领域涉及：G16H50/30；该发明授权基于不完整三模态共注意融合的轻度认知障碍转换预测方法是由葛瑞泉;胡项洋;沈向宇;孙逸飞;单许豪;陈章昊;贾刚勇;范小朋设计研发完成，并于2024-12-30向国家知识产权局提交的专利申请。

本基于不完整三模态共注意融合的轻度认知障碍转换预测方法在说明书摘要公布了：本发明公开了一种基于不完整三模态共注意融合的轻度认知障碍转换分类方法，包括如下步骤：获取数据集；步骤2、应用一个预训练的缺失模态生成模块，输入MRI数据通过跨模态转换的方式生成缺失的PET数据；步骤3、应用一个特征提取模块，通过表格编码器获得表格特征表示，并通过视觉编码器得到视觉特征表示；步骤4、将提取的多模态特征通过一个多头自注意力模块进行模态内特征聚合得到三模态特征；步骤5、将特征对齐后的三模态特征输入至一个共注意力融合模块进行特征融合，从而得到多模态融合特征；步骤6、应用一个预训练的分类头，将得到的多模态融合特征输入分类头，实现最终的分类。该方法用更丰富的多模态特征提高MCI转换预测的准确性。

本发明授权基于不完整三模态共注意融合的轻度认知障碍转换预测方法在权利要求书中公布了：1.一种基于不完整三模态共注意融合的轻度认知障碍转换分类方法，其特征在于，包括如下步骤： 步骤1、获取数据集，所述数据集包括MRI数据、PET数据和临床表格数据； 步骤2、应用一个预训练的缺失模态生成模块，输入MRI数据通过跨模态转换的方式生成缺失的PET数据； 所述缺失模态生成模块采用简化的矢量量化生成对抗网络； 所述生成缺失的PET数据的方法为：将MRI数据作为输入，首先经过一个3D卷积编码器得到特征向量然后初始化代码本向量Z，并在Z中为的每个编码位置寻找其最邻近的编码，得到同纬度的离散变量z，表示对中间特征进行进一步的离散化编码，表达式如下： 最后将得到的离散变量z通过3D卷积解码器进行解码，进而生成缺失的PET数据表达式如下： 所述缺失模态生成模块训练时，采用混合损失函数，所述混合损失函数包括L1损失量化损失感知损失和对抗损失所述混合损失函数定义如下： 其中，λL1、λQua、λPer和λAdv分别为各个损失项的权重参数； 步骤3、应用一个特征提取模块，通过表格编码器获得表格特征表示，并通过视觉编码器得到视觉特征表示，所述视觉特征表示包括MRI特征表示和PET特征表示； 步骤4、将提取的多模态特征通过一个多头自注意力模块进行模态内特征聚合得到三模态特征； 步骤5、将三模态特征输入至一个共注意力融合模块进行特征融合，从而得到多模态融合特征； 通过共注意力融合模块进行特征融合的方法为： 首先，通过线性层对各模态特征进行处理，得到注意力计算所需的键矩阵Ki和值矩阵Vi，同时通过连接所有模态特征并映射到线性层，生成多模态的查询向量Qmulti，各模态的注意力分数通过以下公式计算： 其中，di表示向量Ki的维度，表示各模态输入特征，使用softmax作为激活函数； 为了充分整合MRI与PET的内在信息，采用交叉连接的方法，将其与临床特征进行连接，生成最终输出，计算公式如下： 步骤6、应用一个预训练的分类头，将得到的多模态融合特征输入分类头，实现最终的分类。

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杭州电子科技大学;杭州中科先进技术发展有限公司，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。