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！

龙图腾网获悉杭州电子科技大学;浙江莱达信息技术有限公司申请的专利手骨X光片医学图像关键点定位方法及系统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：CN115631185B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202211392806.0，技术领域涉及：G06T7/00；该发明授权手骨X光片医学图像关键点定位方法及系统是由吴夕恒;何必仕;徐哲设计研发完成，并于2022-11-08向国家知识产权局提交的专利申请。

本手骨X光片医学图像关键点定位方法及系统在说明书摘要公布了：本发明属于医学图像智能识别技术领域，具体涉及手骨X光片医学图像关键点定位方法及系统。方法包括如下步骤：S1，手骨X光片图像与相应关键点标注数据的收集和预处理；S2，构建手骨X光片医学图像关键点定位模型；S3，使用辅助损失函数训练模型，验证模型；S4，使用已验证模型进行端到端预测。本发明具有定位精度高且能一次性定位足够数量手骨关键点的特点。

本发明授权手骨X光片医学图像关键点定位方法及系统在权利要求书中公布了：1.手骨X光片医学图像关键点定位方法，其特征在于，包括如下步骤： S1，手骨X光片图像与相应关键点标注数据的收集和预处理： 收集手骨X光片图像与相应关键点标注数据，并随机划分训练集与验证集； S2，构建手骨X光片医学图像关键点定位模型； S3，使用辅助损失函数训练模型，验证模型： 使用辅助损失函数，并根据步骤S1获得的训练集与验证集，对手骨X光片医学图像关键点定位模型进行训练和验证； S4，使用已验证模型进行端到端预测： 将训练和验证后的手骨X光片医学图像关键点定位模型，用于预测手骨X光片医学图像关键点； 手骨X光片医学图像关键点定位模型包括骨干特征提取网络、Transformer编码层和渐进式关键点定位Transformer译码层，模型构建过程包括如下步骤： S21，构建骨干特征提取网络： 所述骨干特征提取网络采用基本的特征提取网络，具体为ResNet或DenseNet或SwinTransformer，用于将输入手骨X光片医学图像转化为级别一特征矢量F1； S22，构建Transformer编码层： Transformer编码层包括特征矢量位置编码层以及堆叠的NEn层Transformer编码器；特征矢量位置编码层用于对所述级别一特征矢量进行正弦位置编码，并与所述级别一特征矢量相加，相加的结果作为第一层Transformer编码器的输入，其余的Transformer编码器的输入均为前一层Transformer编码器的输出，经过Transformer编码层，级别一特征矢量F1被转化为级别二特征矢量F2； Transformer编码器中自注意力的公式： Q＝K＝V＝F1. 其中，D是级别一特征矢量F1的特征维度； S23，构建渐进式关键点定位Transformer译码层： 渐进式关键点定位Transformer译码层，由NDL级渐进式关键点修正层组成，每级渐进式关键点修正层存在NDD层Transformer译码器；所有的Transformer译码器的结构均相同，输入是级别二特征矢量、译码器嵌入、待修正关键点，输出是更新后的译码器嵌入；级别二特征矢量由步骤S22中Transformer编码层输出，在渐进式关键点定位Transformer译码层中不发生改变；初始译码器嵌入由0初始化，不可训练；初始待修正关键点由训练集先验初始化，不可训练；在每级渐进式关键点修正层末尾，由输出的更新后译码器嵌入，使用多层感知机计算一个待修正关键点的建议偏移，以更新待修正关键点；经过NDL级渐进式关键点修正层修正后，待修正关键点最终被修正为高精度关键点输出； Pn＝xn,yn表示为第n个关键点，以下的公式中省略了DropOut与残差连接； 对于任意的某层Transformer译码器，表示正弦位置编码： PEPn＝PExn,yn＝CATPExn,PEyn； 其中，CAT表示Concatenate函数；下标2i和2i+1为编码矢量中的位置；T为引入的超参数，T＞1，T越大，位置编码越扁平；T2iD表示T的幂运算； Transformer译码器的内核是一个自注意力计算和一个交叉注意力计算，注意力计算的公式与Transformer编码器中的相同； 自注意力计算的参数： Q＝K＝C+MLPsPEP,V＝C； 交叉注意力计算的参数： Q＝C′+MLPcPEP, K＝F2+PEP,V＝F2； 其中，表示多层感知机，自注意力计算和交叉注意力计算中的两个MLP分别对所有的Transformer译码器共享权重；分别为自注意力计算前后的译码器嵌入； 对于第j级渐进式关键点修正层，修正关键点的公式： 其中，Pj-in为第j级的输入待修正关键点，Pj-out为第j级的输出待修正关键点；为多层感知机，负责将译码器嵌入映射回对待修正关键点的修正；t为引入的超参数，t＞1，用于削弱高层的修正层对关键点的影响，提高模型稳定性，实现渐进式修正； 最终输出关键点Pfinal。

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杭州电子科技大学;浙江莱达信息技术有限公司，其通讯地址为：310018 浙江省杭州市杭州经济技术开发区白杨街道2号大街1158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。