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深度学习的膀胱体积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：CN119722781B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202411788533.0，技术领域涉及：G06T7/62；该发明授权一种基于深度学习的膀胱体积预测方法是由刘乔寿;刘爽;杨振巍设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本一种基于深度学习的膀胱体积预测方法在说明书摘要公布了：本发明属于医学图像处理技术领域，具体涉及一种基于深度学习的膀胱体积预测方法，包括：建立膀胱体积和风险等级多任务预测模型，对输入的图像以及文本信息进行训练，通过训练完成后的模型进行膀胱体积以及风险等级预测。本发明通过融合图像和文本多模态信息，设计了一种高效的深度学习网络架构，显著提升了膀胱体积预测和风险等级分类的精度与鲁棒性；图像信息提取模块结合LCIA注意力机制，有效捕捉了局部区域与全局特征的细节；文本信息嵌入模块通过低维表示强化了非图像信息的表达能力；RFEA多模态特征融合模块动态调整多模态数据的重要性，使得图像和文本特征能够协同作用，从而提升整体预测性能。

本发明授权一种基于深度学习的膀胱体积预测方法在权利要求书中公布了：1.一种基于深度学习的膀胱体积预测方法，其特征在于，包括： 建立膀胱体积和风险等级多任务预测模型，对输入的图像以及文本信息进行训练，通过训练完成后的模型进行膀胱体积以及风险等级预测； 所述膀胱体积和风险等级多任务预测模型，包括：图像信息提取模块，LCIA注意力机制模块，文本信息嵌入模块，RFEA多模态特征融合模块； 对膀胱体积预测模型进行训练，包括： S1：应用多模态特征优化选择方法，从多模态数据集中自动化筛选最相关的特征子集，提升多模态数据的模型预测性能和训练效率； 应用多模态特征优化选择方法，从多模态数据集中自动化筛选最相关的特征子集，提升多模态数据的模型预测性能和训练效率，包括： 初始化特征子集：根据数据的维度和特征的类型从多模态数据集中随机选择多个特征子集，确保不同的特征组合被覆盖；所述多模态数据集包括：图像、文本、临床数据； 评估并选择最优子集：使用回归任务中的均方误差和分类任务中的准确率作为评估标准，对每个特征子集进行性能评估，选择适应度值最好的特征子集，作为后续优化的基础； 优化特征集：通过特征组合和去冗余操作，优化特征子集，优化后的特征子集将更加聚焦于任务的核心信息，提高模型的预测能力和计算效率； 迭代优化：通过多次迭代逐步优化特征子集，每次迭代后，根据新的评估结果和适应度调整特征子集，直到达到预定的性能目标或最大迭代次数； S2：将最相关的特征子集中的图像输入图像信息提取模块和LCIA注意力机制模块依次处理，得到图像特征信息； 所述图像信息提取模块获取图像基础特征，为后续模块提供初始信息输入； 所述LCIA注意力机制模块结合图像基础特征中的局部区域特征和通道特征，更加精准地提取有效信息； S3：通过文本信息嵌入模块将最相关的特征子集中的文本信息进行低维转换，得到文本特征信息，使得文本信息能够在神经网络中被处理并与图像特征共同作用，进而提升模型对膀胱体积预测和风险等级分类的准确性； 通过文本信息嵌入模块将最相关的特征子集中的文本信息进行低维转换，得到文本特征信息，包括： 其中，Vti表示转换得到的低维度向量表示，Vwj表示词嵌入向量，wj表示症状文本描述中的词，ni表示文本ti中的单词个数，Vti表示文本ti的向量表示； S4：通过RFEA多模态特征融合模块，将图像特征信息与文本特征信息加权融合，并完成膀胱体积和风险等级预测； 通过RFEA多模态特征融合模块，将图像特征信息与文本特征信息加权融合，并完成膀胱体积和风险等级预测，包括： 图像与文本信息拼接：将图像特征信息和文本特征信息拼接在一起，得到联合特征向量，拼接后的特征包含了来自图像和文本的全局信息，为后续的相关性分析提供基础； 相关性分析：将联合特征向量输入全连接层处理，计算得到一个相关性权重矩阵，用于表示图像与文本信息之间的相关性，并为后续的特征融合提供加权依据； 多模态信息融合：通过相关性权重矩阵对图像特征信息和文本特征信息进行加权融合，确保它们在特定任务中根据其重要性进行合适的组合； 融合后的特征经过两个任务分支处理：膀胱体积预测分支采用全连接层回归输出体积值；风险等级预测分支通过全连接层与softmax激活函数实现分类； S5：设计动态多任务损失函数，确保在不同任务的损失值之间自动平衡模型的关注度，使得模型能够更好地应对体积尺度差异和类别不平衡问题，提升了整体性能和鲁棒性； 所述动态多任务损失函数，包括： Lall＝λ1Lv+λ2Lr Lv＝αNAME+1-αMSE 其中，Lall表示动态多任务损失函数，Lv表示膀胱体积预测损失函数，Lr表示风险等级分类损失函数，λ1和λ2表示膀胱体积预测、风险等级分类预测动态权重，α表示控制平均绝对误差和均方误差损失的权重，NAME表示标准化的平均绝对误差，MSE表示均方误差；yi表示真实体积，y'i表示预测体积，∈表示防止分母为零的小常数，N表示计算损失时的样本数，C表示类别数；pic表示第i个样本属于第c类的预测概率,αc表示类别权重，γ表示减少对易分类样本的损失的聚焦因子。

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。