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！

龙图腾网获悉同济大学申请的专利基于三维影像和残差网络的肿瘤放疗反应预测方法、系统及程序产品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：CN120032857B 。

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：202411950346.8，技术领域涉及：G16H50/20；该发明授权基于三维影像和残差网络的肿瘤放疗反应预测方法、系统及程序产品是由段春艳;孙静;王佳洁;刘千拓设计研发完成，并于2024-12-27向国家知识产权局提交的专利申请。

本基于三维影像和残差网络的肿瘤放疗反应预测方法、系统及程序产品在说明书摘要公布了：本发明公开了一种基于三维影像和残差网络的肿瘤放疗反应预测方法、系统及程序产品。所述预测方法包括图像采集与切片、感兴趣区域处理与图像融合、三维特征提取、构建多门控混合专家模型、模型训练、预测放疗反应回归值、模型性能评估等步骤：首先对患者的三维PETpre影像和三维Dose影像进行预处理；其次将预处理后的图像输入硬参数共享的3DCNN网络中，提取出三维空间特征；最后将提取的三维特征作为自变量X，SUV平均值及其变化率分别作为因变量Y，输入训练好的多门控混合专家模型中进行预测。本发明通过结合ResNet和3DCNN技术，利用多任务学习策略实现了SUV平均值及其变化率的协同预测，能够更有效地利用有限的数据，提高预测的准确性和模型的泛化能力。

本发明授权基于三维影像和残差网络的肿瘤放疗反应预测方法、系统及程序产品在权利要求书中公布了：1.一种基于三维影像和残差网络的肿瘤放疗反应预测方法，其特征在于，包括以下步骤： 步骤S1、图像采集与切片：获取患者的放疗前期三维PETpre影像和三维Dose影像，对所述三维PETpre影像和三维Dose影像进行基于Z轴的连续切片处理；对所述切片尺寸进行标准化及归一化处理，得到二维PETpre图像和二维Dose图像； 步骤S2、感兴趣区域处理与图像融合：对所述二维PETpre图像和二维Dose图像进行感兴趣区域的划分并保留肿瘤区域数据，通过掩膜操作将非肿瘤体积区域的像素值置零；将所述感兴趣区域处理后的PETpre图像和Dose图像进行图像融合，得到融合后的图像数据集作为整个肿瘤输入数据集； 步骤S3、三维特征提取：对所述融合后的图像采用硬参数共享的3DCNN网络进行特征提取；所述3DCNN网络的结构如下：第一、二、三层卷积层的卷积核均采用大小为3*3*3的三维卷积核，填充参数设置为1，卷积步长设置为2；每个卷积层后接ReLU激活函数，所述ReLU激活函数的计算公式为；各卷积层之后的池化层均采用最大池化操作，池化核大小为2*2*2，步长为2；在第三层池化层后设置Dropout层，丢弃率设为0.3；所述Dropout层后设置自适应最大池化层，将特征图调整为固定尺寸1*10*10；最后通过展平操作将三维特征图转换为特征维度为6400的一维特征向量，作为下一阶段的输入； 步骤S4、构建多门控混合专家模型：将ResNet作为专家网络，构建2个并行的专家网络，每个专家网络独立学习输入数据的不同特征表示；设计自适应门控机制，通过softmax函数计算各专家网络的权重系数，实现对专家网络输出的动态融合；为每个预测任务构建独立的回归塔结构，处理所述融合后的特征信息并生成相应任务的预测输出； 每个所述专家网络由两个串联的残差块和一个全连接输出层构成；其中两个残差模块具有相同的结构，每个残差块的具体结构为：首先通过第一个全连接层将输入特征映射到32维隐藏空间，经过ReLU激活函数引入非线性变换，并使用丢弃率为0.4的Dropout层进行正则化；然后通过第二个全连接层将特征映射回原始输入维度；最后将原始输入与变换后的特征相加实现残差连接，并通过ReLU激活函数得到该残差块的输出；专家网络最后通过全连接层将经过残差块处理的特征映射到目标输出维度，完成特征的最终变换； 所述回归塔由两个全连接层构成；其中第一层全连接层将输入特征映射到10维隐藏空间，并通过ReLU激活函数引入非线性变换，同时使用丢弃率为0.4的Dropout层进行正则化；第二层全连接层将特征映射为1维输出；每个回归任务配置独立的塔式结构，分别用于预测肿瘤标准摄取值平均值及其变化率； 步骤S5、模型训练：采用基于梯度下降的方式训练所述多门控混合专家模型，以均方误差作为损失函数来度量预测值与真实值之间的差异；通过迭代优化直至性能不再提高或达到预定的迭代次数，获取并保存最优模型参数； 步骤S6、预测放疗中期肿瘤标准摄取值平均值及其变化率：将所述融合后的图像输入所述3DCNN网络中，提取出三维空间特征；将提取的三维特征作为自变量X，肿瘤标准摄取值平均值及其变化率分别作为因变量Y，传入训练好的多门控混合专家模型中，构建双任务回归问题；所述回归塔结构中最后一层设置为输出维度为1的全连接层，利用两个独立的回归塔结构，可分别预测肿瘤标准摄取值平均值及其变化率； 步骤S7、模型性能评估：采用留一法交叉验证策略对多门控混合专家模型性能进行评估。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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。