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！

龙图腾网获悉湖州市中心医院申请的专利图像识别模型的训练方法、图像识别方法及装置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：CN116977764B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202211716816.5，技术领域涉及：G06V10/774；该发明授权图像识别模型的训练方法、图像识别方法及装置是由韩书文;庄敬设计研发完成，并于2022-12-29向国家知识产权局提交的专利申请。

本图像识别模型的训练方法、图像识别方法及装置在说明书摘要公布了：本发明具体涉及图像识别模型的训练方法及装置、图像识别方法、图像处理系统、存储介质、电子设备。图像识别模型的训练方法包括：收集原始图像；原始图像包括正常组织图像、息肉组织图像、癌组织图像；对原始图像建立图像分类任务，并执行该图像分类任务以获取原始图像对应的标准标签数据，包括：第一类型标签、第二类型标签、第三类型标签、第四细胞负荷计数标签中的至少一种；将原始图像输入图像识别模型，输出原始图像对应的自定义标签；根据原始图像的标签数据、自定义标签数据进行反向传播训练，以获取图像识别模型；图像识别模型包括：结直肠癌鉴别子模型、癌组织学类型分类子模型、癌组织学分级子模型、肿瘤细胞负荷计数子模型。

本发明授权图像识别模型的训练方法、图像识别方法及装置在权利要求书中公布了：1.一种图像识别模型的训练方法，其特征在于，所述方法包括： 收集原始图像；其中，所述原始图像包括正常组织图像、息肉组织图像、癌组织图像； 对所述原始图像建立图像分类任务，并执行该图像分类任务以获取所述原始图像对应的标准标签数据；其中，所述标签数据包括：第一类型标签、第二类型标签、第三类型标签、第四细胞负荷计数标签中的至少一种； 将所述原始图像输入图像识别模型，输出所述原始图像对应的自定义标签；并根据所述原始图像的标签数据、自定义标签数据进行反向传播训练，以获取图像识别模型；其中，所述图像识别模型包括：结直肠癌鉴别子模型、癌组织学类型分类子模型、癌组织学分级子模型、肿瘤细胞负荷计数子模型； 其中，所述对所述原始图像建立图像分类任务，并执行该图像分类任务以获取所述原始图像对应的标准标签数据，包括： 建立第一图像分类任务，并执行所述第一图像分类任务，对所述原始图像进行癌症分类，标记第一类型标签；其中，所述第一类型标签包括正常组织标签、息肉组织标签、癌组织标签； 建立第二图像分类任务，并执行所述第二图像分类任务，对标记有癌组织标签的图像进行组织学类型分类，并标记第二类型标签；其中，第二类型标签包括：腺癌标签、粘液腺癌标签、未分化癌标签； 建立第三图像分类任务，并执行所述第三图像分类任务，对标记有腺癌标签的图像进行组织学分级，并标记第三类型标签；其中，第三类型标签包括：低分化组织标签、中分化组织标签、高分化组织标签； 建立第四细胞负荷计数任务，并执行所述第四细胞负荷计数任务，对标记有癌组织标签的图像进行总细胞数量标记，以及癌细胞、组织学类型细胞、组织学分级细胞计数进行标记； 所述图像识别模型为卷积神经网络结构，第一层输入图片，进行卷积操作，得到第二层深度为3的特征图；对第二层的特征图进行池化操作，得到第三层深度为3的特征图；重复上述操作得到第五层深度为5的特征图，最后将这5个特征图，也就是5个矩阵，按行展开连接成向量，传入全连接层，全连接层就是一个BP神经网络；卷积神经网络的计算过程可以包括：对于各卷积层来说，在输入端： V=conv2W,X,"valid"+bV=\text{conv2}W,X,\text{"valid"}+b1 V=conv2W,X,"valid"+b2 在输出端： Y=φVY=\varphi{V}3 Y=φV4 其中，上述公式是对每一个卷积层而言的，每一个卷积层都有一个不同的权重矩阵W，并且W，X，Y是矩阵形式.对于最后一层全连接层，设为第L层，输出是向量形式的yL，期望输出是d，则有总误差公式；总误差公式可以包括： 5 conv2是Matlab中卷积运算的函数，第三个参数valid指明卷积运算的类型，前面介绍的卷积方式就是valid型；W是卷积核矩阵，X是输入矩阵，b是偏置，φx是激活函数；总误差中的d，y分别是期望输出和网络输出的向量；||x||2表示向量x的2——范数计算表达式为： 6。

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州市中心医院，其通讯地址为：313003 浙江省湖州市红旗路198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。