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！

龙图腾网获悉成都理工大学申请的专利一种基于大模型自监督学习的医学影像异常区域识别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：CN120655643B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202511147227.3，技术领域涉及：G06T7/00；该发明授权一种基于大模型自监督学习的医学影像异常区域识别方法是由姚光乐;肖博文;贾勇;王琛;曾维;王洪辉;阿巴斯萨娜;陈才华;彭柯鑫;何素兰设计研发完成，并于2025-08-15向国家知识产权局提交的专利申请。

本一种基于大模型自监督学习的医学影像异常区域识别方法在说明书摘要公布了：本发明公开了一种基于大模型自监督学习的医学影像异常区域识别方法，属于图像数据处理技术领域，包括获取医学影像的异常样本数据集D1、健康样本数据集D2；构造并训练一离散掩码自编码器；对D2中样本生成伪异常图构成数据集D3；对D2和D3自动生成标注；构造医学影像异常区域识别网络和总损失，用D2和D3训练该网络得到异常区域识别模型，用于D1中样本中异常区域的识别。本发明的离散掩码自编码器能增强模型对结构扭曲与语义突变的感知能力，缓解异常区域过拟合重建的问题，伪异常图方能提升训练样本的多样性与有效性，异常区域识别模型具备像素级异常定位能力，且结构设计适配复杂医学图像特征、训练机制灵活、能实现端到端优化。

本发明授权一种基于大模型自监督学习的医学影像异常区域识别方法在权利要求书中公布了：1.一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，包括以下步骤： S1，获取医学影像的异常样本数据集D1、健康样本数据集D2，D1中样本为包含异常区域的异常样本；D2中样本为健康样本； S2，构造离散掩码自编码器MVQ-MAE； 获取一VQ-VAE，在其编码器的块嵌入层与编码层设置随机掩码层，得到VQ-MAE，用D2训练VQ-MAE得到离散掩码自编码器MVQ-MAE，所述随机掩码层用于对块嵌入层的输出生成掩码再送入编码层中，所述编码层为L层Transformer层，所述MVQ-MAE用于输入自然图像，重建后输出重建图像； S3，对D2中的每个健康样本，通过融合扰动区域生成伪异常图，所有伪异常图构成数据集D3； S4，对D2和D3中样本自动生成标注； D3中样本为第一正样本，标签y1=1，D2中样本为第一负样本，标签y1=0，D2和D3中每个样本基于块嵌入层分为N个分块，包含扰动区域的分块为第二正样本，标签y2=1，其余分块为第二负样本，标签y2=0； S5，构造医学影像异常区域识别网络，包括MVQ-MAE、注意力图定位单元、差值图生成单元、残差图定位单元、多尺度分类器、异常分数定位单元、融合定位单元； 所述MVQ-MAE用于输入样本X，输出重建样本，所述样本为D2中健康样本或D3中伪异常图； 所述注意力图定位单元用于获取X在MVQ-MAE中每个Transformer层的自注意力矩阵，并加权融合得到注意力图； 所述差值图生成单元用于生成X和的归一化差值图； 所述差值图定位单元用于计算差值图每个分块的平均残差，重排为图像再上采样到样本X尺寸，得到残差图； 所述多尺度分类器包括编码器、与编码器相连的第一分类头、第二分类头和第三分类头； 所述编码器用于输入差值图，分为N块后，每个分块经L层Transformer层提取L个分块特征，差值图第n个分块经第l层Transformer层提取的分块特征为，1≤n≤N，1≤l≤L； 所述第一分类头用于输出X为第一正样本的预测概率，第二分类头用于输出X中各分块为第二正样本的预测概率，第三分类头用于输出为异常区域的预测概率，并根据异常阈值得到的异常标签，其中，若，则，否则； 所述异常分数定位单元用于将第L层N个分块的，按分块位置拼接为矩阵，再上采样至样本X尺寸，得到异常分数图； 所述融合定位单元用于对、和加权融合得到融合图、归一化为归一化融合图，再二值化处理得到融合异常区域图； S6，用D2和D3训练医学影像异常区域识别网络，得到异常区域识别模型，并用D1测试； S7，将D1中样本输入异常区域识别模型，输出对应的融合异常区域图； S2中，构造VQ-MAE具体包括步骤S21~S24； S21，获取一VQ-VAE，包括编码器和解码器，所述编码器包括块嵌入层、编码层、向量量化层； S22，在块嵌入层、编码层间设置一随机掩码层； 所述块嵌入层用于将异常样本分个N个分块，将每个分块嵌入到高维空间得到嵌入向量，并将N个嵌入向量构成Token序列，Token序列中第n个分块的嵌入向量为zn； 所述随机掩码层用于对Token序列按预设遮挡比例r随机掩码，得到掩码序列，Token序列中第n个元素的掩码为Maskn； 所述编码层用于对掩码序列进行特征提取，得到连续的潜在表示z； 所述向量量化层用于基于码本将潜在表示z量化为N个离散的码字，得到离散Token序列； 所述解码器用于根据离散Token序列对异常样本进行重构，输出重构图像； S23，构造VQ-MAE的重构损失LVQ； ， 式中e为训练过程中对潜在表示z生成的码本向量，sg[∙]为停止梯度操作，为L2范数的平方，β为LVQ中第二项权重； S24，用D2按预设迭代次数训练VQ-MAE，每次迭代计算数LVQ，并更新VQ-MAE的网络参数和码本向量e的值，迭代结束后的码本向量作为离散Token序列。

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成都理工大学，其通讯地址为：610059 四川省成都市成华区二仙桥东三路1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。