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！

龙图腾网获悉安徽大学申请的专利一种基于自监督学习的多视图融合宫颈癌前病变图像分类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：CN119919726B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202510003021.7，技术领域涉及：G06V10/764；该发明授权一种基于自监督学习的多视图融合宫颈癌前病变图像分类方法是由陈鹏;蓝蒋天经;邵立智;章军;王兵设计研发完成，并于2025-01-02向国家知识产权局提交的专利申请。

本一种基于自监督学习的多视图融合宫颈癌前病变图像分类方法在说明书摘要公布了：本发明涉及一种基于自监督学习的多视图融合宫颈癌前病变图像分类方法，包括：采集前列腺内窥镜切除手术的视频截图数据，并进行预处理，得到优化后的模型权重；得到优化后的第二视觉Transformer模型、第三视觉Transformer模型；将宫颈癌前病变阴道镜醋酸图片分类结果和宫颈癌前病变阴道镜碘图片分类结果进行加权融合，得到最终分类结果。本发明通过引入自监督学习方法，利用大量无标签医学图片数据，提高了ViT模型即视觉Transformer模型在宫颈癌前病变分级中的泛化能力和分类准确性；实现了对CIN分级的高效辅助诊断，特别是在医疗资源有限的地区，为自动化筛查提供了高效、低成本的解决方案，帮助医生提高诊断准确率，并降低漏诊率，为早期宫颈癌预防提供了重要技术支持。

本发明授权一种基于自监督学习的多视图融合宫颈癌前病变图像分类方法在权利要求书中公布了：1.一种基于自监督学习的多视图融合宫颈癌前病变图像分类方法，其特征在于：该方法包括下列顺序的步骤： 1采集前列腺内窥镜切除手术的视频截图数据，并进行预处理，得到无标注数据，将无标注数据输入自监督训练框架进行自监督训练，优化特征提取，得到优化特征，通过优化特征优化第一视觉Transformer模型的注意力权重，得到优化后的模型权重； 2采集患者的宫颈癌前病变阴道镜图像并进行预处理，得到标注的宫颈癌前病变阴道镜醋酸图片、阴道镜碘图片，将优化后的模型权重、标注的宫颈癌前病变阴道镜醋酸图片、阴道镜碘图片分别输入第二视觉Transformer模型、第三视觉Transformer模型进行微调训练，将优化后的模型权重作为第二视觉Transformer模型、第三视觉Transformer模型训练微调时的初始权重，分别得到优化后的第二视觉Transformer模型、第三视觉Transformer模型； 3对待分类的宫颈癌前病变阴道镜图像进行预处理，将预处理后的宫颈癌前病变阴道镜图像分别输入优化后的第二视觉Transformer模型、第三视觉Transformer模型进行分级预测，得到宫颈癌前病变阴道镜醋酸图片分类结果和宫颈癌前病变阴道镜碘图片分类结果，将宫颈癌前病变阴道镜醋酸图片分类结果和宫颈癌前病变阴道镜碘图片分类结果进行加权融合，得到最终分类结果； 在步骤1中，所述将无标注数据输入自监督训练框架进行自监督训练，优化特征提取，得到优化特征具体是指： 1a构建教师网络与学生网络： 自监督学习通过构建教师网络和学生网络来实现，这两个网络具有相同的架构，并处理来自同一图像的不同视图； 1b图像视图生成：同一张图像经过随机裁剪、缩放、亮度调整、颜色抖动变换后生成两个不同的视图，分别输入教师网络和学生网络； 教师网络更新机制：教师网络的参数通过指数平均移动更新，具体公式为： θt←ξθt+1-ξθs 其中，θt为教师网络参数，θs为学生网络参数，ξ为动量参数； 学生网络反向传播：学生网络通过梯度反向传播算法更新学生网络权重参数； 1c设计损失函数： 响应特征的损失函数通过计算教师网络和学生网络输出的分布差异来优化模型参数； 响应特征：通过softmax对每个响应特征进行归一化，得到每个维度的概率分布σzi： 其中，zi表示响应特征的第i维特征值；zj表示计算softmax过程中遍历的所有特征向量，共有M个特征向量； 自监督损失：基于响应特征的损失函数定义为： 其中，τt和τs分别表示教师网络和学生网络的温度参数，表示教师网络响应特征的居中操作；ft表示对教师网络的softmax操作，fs表示对学生网络参数的操作；zt表示教师网络特征向量，zs表示学生网络特征向量； 将类别标记即classtoken向量记作w，多层感知机投影操作记作f，fw记作对类别标记特征做多层感知机投影操作；保留类别标记特征带来的全局注意力信息，使用向量拼接后的结果指导学生网络的学习，以获得更好的优化；Φsw向量拼接操作表示为： Φsw＝concat[fw,w] 最终，自监督训练过程中损失函数表示为： 式中，Ft表示对教师网络取特征向量的计算，Fs表示对学生网络取特征向量的计算，Φtw和Φsw分别表示计算过程中对教师网络和学生网络参数的拼接操作； 通过交叉熵损失的方式来学习教师网络和学生网络两个不同视图网络得到的分布特征。

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安徽大学，其通讯地址为：230039 安徽省合肥市肥西路3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。