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！

龙图腾网获悉西交利物浦大学;苏州精准医疗科技有限公司申请的专利基于Simsiam Mae自监督模型的宫颈癌检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：CN117636340B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202311709095.X，技术领域涉及：G06V20/69；该发明授权基于Simsiam Mae自监督模型的宫颈癌检测方法是由苏炯龙;马飞;孟佳;吕志良;赵翘楚;宋思凡;王金峰;时长军;肖晟;陈思设计研发完成，并于2023-12-13向国家知识产权局提交的专利申请。

本基于Simsiam Mae自监督模型的宫颈癌检测方法在说明书摘要公布了：本发明提供一种基于SimsiamMae自监督模型的宫颈癌检测方法，包括如下步骤：S1，获取及预处理宫颈细胞图像步骤；S2，数据预处理步骤；S3，SimsiamMae自监督模型训练步骤，SimsiamMae自监督模型使用对比学习方法训练编码路径、投射层和预测层以提取细胞图像的低频信息特征；使用掩蔽图像建模方法训练编码路径、解码路径以提取细胞图像的高频信息特征；S4，下游任务训练步骤；S5，采用完成训练的SimsiamMae自监督模型进行宫颈癌检测。本发明极大的减少了对人工标注数据的依赖，节省工作的时间与成本，且提升了宫颈细胞图像的分类准确率。

本发明授权基于Simsiam Mae自监督模型的宫颈癌检测方法在权利要求书中公布了：1.一种基于SimsiamMae自监督模型的宫颈癌检测方法，其特征在于，包括如下步骤： S1，获取及预处理宫颈细胞图像步骤，结合预先提供的标注信息，提取出液基薄层细胞检测图像中的宫颈细胞图像，并将提取出的宫颈细胞图像分割为训练数据集和测试数据集； S2，数据预处理步骤，将所述训练数据集中的每张宫颈细胞图像进行两次不同且随机的数据增强操作，以生成两张不同的图像，并一齐输入至SimsiamMae自监督模型； S3，SimsiamMae自监督模型训练步骤，SimsiamMae自监督模型使用对比学习方法训练编码路径、投射层和预测层以提取细胞图像的低频信息特征，对图像的全局信息和细胞形状特征进行学习；使用掩蔽图像建模方法训练编码路径、解码路径以提取细胞图像的高频信息特征，对图像中的局部信息和纹理特征进行学习； S4，下游任务训练步骤，使用测试数据集对上述SimsiamMae自监督模型的编码路径进行参数微调，完成对宫颈细胞的分类，得到完成训练的SimsiamMae自监督模型； S5，采用完成训练的SimsiamMae自监督模型进行宫颈癌检测； 所述步骤S3具体包括如下步骤： S31，将上述经过两次随机数据增强操作后得到的两张图像输入至SimsiamMae自监督模型的编码路径中，编码路径分别对上述的两张图像进行特征提取操作，输出两个初始特征张量，将输出的初始特征张量输入至投射层； S32，两个初始特征张量经过投射层后，输出得到第一投射特征张量和第二投射特征张量，第一投射特征张量和第二投射特征张量分别输入至预测层； S33，第一投射特征张量和第二投射特征张量经过预测层后，输出得到第一预测特征张量和第二预测特征张量； S34，使用对比学习方法计算得到损失值； S35，第一预测特征张量和第二预测特征张量分别输入至解码路径，经过解码路径后，输出得到重建图像，使用掩蔽图像建模方法计算得到损失值； S36，使用反向传播算法得到梯度，再使用梯度下降算法得到若干偏导数构成的向量，然后通过这些向量更新模型参数； 其中，所述S31包括如下步骤： S311，将经过随机数据增强操作后的图像输入至编码路径中的PatchEmbedding层，将二维的图像转换为一系列一维的pathembeddings，构成patchembeddings张量； S312，向patchembeddings张量上添加位置编码信息，为各pathembeddings张量提供位置信息； S313，对上述patchembeddings张量进行掩码操作，将一部分patchembeddings张量掩藏掉，并将未掩藏的patchembeddings张量添加CLStoken向量； S314，将上述未被掩藏的patchembeddings张量输入至VisionTransformer结构中以进行特征提取，输出两个初始特征张量； S315，将输出的两个原始特征张量输入至投射层； 所述步骤S35包括如下步骤： S351，将第一预测特征张量与第二预测特征张量分别输入至解码路径中的第一个卷积层； S352，将上述卷积层的输出与被掩藏掉的patchembedding张量进行拼接； S353，对上述拼接后的patchembedding张量添加位置编码信息； S354，将上述添加了位置编码信息的patchembedding张量输入至Visiontransformer结构； S355，将上述Visiontransformer结构的输出结果输入至解码路径中的第二个卷积层； S356，去掉上述卷积层的输出结果中的CLStoken向量，输出重建图像； S357，对上述输出的重建图像进行归一化操作； S358，使用均方误差公式计算掩蔽图像建模方法的损失值，计算公式如下，， 其中n为被掩藏的patchembedding张量的数量，pred为重建图像，target为原始图像。

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西交利物浦大学;苏州精准医疗科技有限公司，其通讯地址为：215121 江苏省苏州市工业园区独墅湖科教创新区仁爱路111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。