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！

龙图腾网获悉复旦大学申请的专利基于自动乳腺全容积成像的乳腺肿瘤分子标记物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：CN117132868B 。

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：202311046958.X，技术领域涉及：G06V10/82；该发明授权基于自动乳腺全容积成像的乳腺肿瘤分子标记物预测方法是由马煜;沈鑫梦;严丽霞;黄备建设计研发完成，并于2023-08-20向国家知识产权局提交的专利申请。

本基于自动乳腺全容积成像的乳腺肿瘤分子标记物预测方法在说明书摘要公布了：本发明属于人工智能技术领域，具体为基于自动乳腺全容积成像的乳腺肿瘤分子标记物预测方法。本发明方法包括：ABVS图像预处理，获取包含肿瘤的感兴趣区域；对三维影像中的横断面、冠状面和矢状面分别取穿过感兴趣区域中心的截面和与其相邻的两侧截面，使用TransU‑Net模型分别分割出横断面、冠状面和矢状面中的肿瘤区域；搭建深度神经网络模型，用于预测乳腺肿瘤的分子标记物；该模型有两个分支，其一为增加有通道注意力机制的三维残差卷积网络，用于处理三维图像；其二为处理三个截面的分割结果的卷积网络，最后通过全连接层将两个分支获取的特征整合；利用有标注的数据集对模型进行有监督学习，获得分子标记物的预测模型。本发明可提高预测准确性。

本发明授权基于自动乳腺全容积成像的乳腺肿瘤分子标记物预测方法在权利要求书中公布了：1.一种基于自动乳腺全容积成像的乳腺肿瘤分子标记物预测方法，其特征在于，分为以下三个步骤： 一ABVS图像预处理，获取包含肿瘤的感兴趣区域VOI； 二对三维影像中的横断面、冠状面和矢状面，分别取穿过感兴趣区域中心的截面和与其相邻的两侧截面，使用在公开数据集进行预训练的TransU-Net模型，分别分割出横断面、冠状面和矢状面中的肿瘤区域； 三搭建深度神经网络模型，训练模型，进行乳腺肿瘤的分子标记物预测；该模型有两个主要分支，分别针对三维乳腺全容积超声图像和其二维截面的分割图像；其中一个分支为增加了通道注意力机制的三维残差卷积网络，用于处理三维图像；另一个分支为处理三个截面的分割结果的卷积网络，最后通过全连接层将两个分支获取的特征整合；利用有标注的数据集对模型进行有监督学习，获得分子标记物的预测模型； 步骤三中，搭建的深度神经网络模型包括模块1、模块2、模块3；其中： 模块1的结构包括：第一层卷积层，中间的串行深层网络，最后一层通道注意力层；其中： 第一层卷积层，其卷积核的大小为7×7×7，其后添加有单层通道注意力机制； 串行深层网络，分为4个子部分，分别由3、4、10、3个Bottleneck模块串联组成，各部分的输出通道数分别为32，64，128，128；其中Bottleneck模块由卷积核大小分别为1×1×1、3×3×3和1×1×1的卷积层和ReLU层串联组成，其中卷积核大小为1×1×1的卷积层负责处理不同的输入输出维度； 最后一层通道注意力层，用以增强模型对不同通道特征的关注能力； 模块２的结构为由四层二维卷积和一个ReLU层组成的编码器，其中每层卷积操作使用3×3大小的卷积核；模块２的输入为之前步骤中横断面、冠状面和矢状面中的肿瘤分割结果，输出为从中提取的信息； 模块３是一个分类器，由两个全连接线性层和一个ReLU激活函数组成；模块３将模块1和模块2的输出合并，送入分类器得到最终的输出；ReLU用于进一步增强特征表示的非线性能力；模型中使用交叉熵损失函数； 最后，采用已有分子标记物标签的ABVS图像，对模型进行训练，得到用于预测乳腺肿瘤分子标记物的模型。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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。