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！

龙图腾网获悉湖南大学申请的专利一种面向模态缺失的多模态癌症生物标志物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：CN119904411B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411773074.9，技术领域涉及：G06T7/00；该发明授权一种面向模态缺失的多模态癌症生物标志物预测方法是由彭绍亮;李燕;潘良睿设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本一种面向模态缺失的多模态癌症生物标志物预测方法在说明书摘要公布了：本发明公开了一种面向模态缺失的多模态癌症生物标志物预测方法，S1、获取患者的病理图像和MRI图像；S2、对所述病理图像进行剪裁，提取所述MRI图像中的3D肿瘤块并进行数据增强处理；S3、对所述病理图像进行特征提取，对所述MRI图像影像中的3D肿瘤块进行特征提取，得到多模态特征；S4、对所述多模态特征进行特征增强和特征重构；S5、将增强的多模态特征经过图融合网络进行融合，并输入至预设的生物标志物预测模型中进行预后评估。本发明实现了缺失模态特征的重构，提高了生物标志物预测的准确度。

本发明授权一种面向模态缺失的多模态癌症生物标志物预测方法在权利要求书中公布了：1.一种面向模态缺失的多模态癌症生物标志物预测方法，其特征在于，包括以下步骤： S1、获取患者的病理图像和MRI图像； S2、对所述病理图像进行剪裁，提取所述MRI图像中的3D肿瘤块并进行数据增强处理； S3、对所述病理图像进行特征提取，对所述MRI图像影像中的3D肿瘤块进行特征提取，得到多模态特征； S4、对所述多模态特征进行特征增强和特征重构； S5、将增强的多模态特征经过图融合网络进行融合，并输入至预设的生物标志物预测模型中进行预后评估； 所述步骤S4中对所述多模态特征进行特征增强的步骤具体包括： 将所述多模态特征表示为X＝Xw,Xr，其中，Xw和Xr分别代表病理和影像特征，和表示缺失的病理和影像特征，m表示缺失的模态； 设计一维卷积来捕捉特征的全局信息和局部信息，病理和影像特征分别进行卷积得到Cw和Cr： 式中，kalw，kalr分别表示病理和影像的卷积核，将每个模态放入卷积中以获得不同模态的特征信息； 利用模态内编码器分别提取三个模态内特征，包括模态内编码器对模态内信息进行编码，利用位置嵌入模块改进卷积序列并提取跨不同模态的特征，模态内特征提取的结果为： 式中，f·表示位置嵌入的transformer编码器，Xw→w，Xr→r分别是病理、影像模态内提取得特征； 通过模态间transformer编码器处理模态对得到模态间特征，模态对表示该模态与另外两个模态之间的对应关系，从影像模态对中获取病理模态的模态间特征Xr→w： 从影像模态对中获取的影像模态的模态间特征Xw→r： 其中，病理模态对为病理-影像w-r，影像模态对为影像-病理r-w； 将所有模态内和模态间编码器获得的潜在特征被连接起来作为增强序列特征输出，病理和影像的模态内和模态间特征被拼接为Uw和Ur： Uw＝Concat[Xr→w,Xw→w],Ur＝Concat[Xw→r,Xr→r] 将增强序列特征Uw和Ur输入到双模态transformer进行特征增强得到U'w和U'r： U′w＝ftransformerUw,Uw,Uw,U′r＝ftransformerUr,Ur,Ur； 对所述多模态特征进行特征重构的步骤具体包括： 利用注意力机制对缺失模态进行编码并学习特征间的关系，将重构结果映射到提取特征的维度上，特征重构的公式为： 式中，attention·表示注意力机制，linear表示线性映射函数，Ew、Er分别表示病理和影像模态的重构特征。

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湖南大学，其通讯地址为：410012 湖南省长沙市岳麓区麓山南路麓山门；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。