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！

龙图腾网获悉合肥工业大学申请的专利基于弱监督多模态对比学习的预测模型构建方法及乳腺癌HER2评分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：CN119579540B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202411638357.2，技术领域涉及：G06T7/00；该发明授权基于弱监督多模态对比学习的预测模型构建方法及乳腺癌HER2评分预测方法是由史骏;孙东东;代征诚;张康源;许恒锴;刘秉容;施宇阳;阮垚;杨兴明设计研发完成，并于2024-11-16向国家知识产权局提交的专利申请。

本基于弱监督多模态对比学习的预测模型构建方法及乳腺癌HER2评分预测方法在说明书摘要公布了：本发明公开了一种基于弱监督多模态对比学习的预测模型构建方法及乳腺癌HER2评分预测方法，模型构建方法步骤包括：获取具有图像及标签的多模态病理全切片数据集并进行分块预处理；利用特征编码器提取分块图像特征；建立基于弱监督多模态对比学习的网络模型；利用包含弱标签的多模态病理全切片数据集训练网络模型。乳腺癌HER2评分预测方法即利用训练好的模型对病理全切片进行预测。本发明能够通过弱监督多模态对比学习方法来学习和融合不同模态病理全切片相关的病理知识，有效地实现多模态之间的语义互补并提高每个模态的学习能力，完成病理全切片的HER2评分任务并进行可视化解释性分析。

本发明授权基于弱监督多模态对比学习的预测模型构建方法及乳腺癌HER2评分预测方法在权利要求书中公布了：1.一种基于弱监督多模态对比学习的预测模型构建方法，其特征在于，步骤包括： S1、获取带有图像类别标签的多模态病理全切片数据集，所述数据集包含若干对切片，且每对切片包含一张HE染色切片和一张IHC染色切片，再将数据集中的切片进行分块预处理，得到分块图像集合，再提取集合中每个分块图像的分块图像特征，分块图像特征表示为和； S2、将所述分块图像特征作为弱监督多模态对比学习网络模型的输入，经模型处理后输出HE染色切片和IHC染色切片的全局特征以及每个分块图像的注意力分数，注意力分数表示为和； S3、根据注意力分数对HE染色切片和IHC染色切片的分块图像分别进行关键性排序，从中分别选择关键分块图像并将其分块图像特征进行多模态注意力对比学习，得到多模态对比损失； 步骤S3的具体过程为： S3-1、根据所述分块图像的注意力分数和对分块图像的特征和进行关键性排序，然后从和分别选取注意分数最高的k个特征和注意分数最低的k个特征，以得到关键分块图像特征，，和； S3-2、将关键分块图像特征进行标准化后计算余弦相似度矩阵和： 1 2 式1中是欧拉数，表示可学习参数； S3-3、将所述余弦相似度矩阵和进行循环迭代计算对比损失，对于每一次迭代，计算过程如下： 3 4 5 6 7 式3-6中，表示交叉熵损失函数，，表示矩阵的第列元素； S3-4、累计相加所有迭代过程中的对比损失，得到多模态对比损失为，计算过程如下： 8； S4、将HE染色切片和IHC染色切片的全局特征分别进行分类预测，得到HE单模态预测概率和IHC单模态预测概率，再将HE染色切片和IHC染色切片的全局特征进行特征融合，得到多模态融合特征，然后将多模态融合特征进行分类预测，得到多模态预测概率； S5、计算所述IHC单模态预测概率和多模态预测概率与图像类别标签的交叉熵损失，再计算所述HE单模态预测概率与IHC单模态预测概率的相对熵损失； S6、基于交叉熵损失、相对熵损失和多模态对比损失优化弱监督多模态对比学习网络模型的网络权重，得到优化后的乳腺癌HER2评分预测模型，完成构建。

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合肥工业大学，其通讯地址为：230000 安徽省合肥市屯溪路193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。