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！

龙图腾网获悉北京大学申请的专利通过图神经网络的链路预测进行血管分割的方法和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：CN115170599B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202210583355.2，技术领域涉及：G06T7/187；该发明授权通过图神经网络的链路预测进行血管分割的方法和装置是由于皓;张立;赵杰设计研发完成，并于2022-05-25向国家知识产权局提交的专利申请。

本通过图神经网络的链路预测进行血管分割的方法和装置在说明书摘要公布了：本发明提供一种通过图神经网络的链路预测进行血管分割的方法和装置，所述通过图神经网络的链路预测进行血管分割的方法，包括：将待测血管图像输入至U‑net模型，获取由U‑net模型输出的目标第一邻接矩阵；基于待测血管图像的节点集、边集和目标第一邻接矩阵，生成目标血管连通图。本发明的通过图神经网络的链路预测进行血管分割的方法，通过优化后的U‑net模型基于待测血管图像生成对应有较优连通性以及拓展性的目标第一邻接矩阵，然后基于节点集、边集和目标第一邻接矩阵生成目标血管连通图，能够显著增强血管的拓扑结构和连通性，从而提高血管图像的分割效率和效果。

本发明授权通过图神经网络的链路预测进行血管分割的方法和装置在权利要求书中公布了：1.一种通过图神经网络的链路预测进行血管分割的方法，其特征在于，包括： 将待测血管图像输入至U-net模型，获取由所述U-net模型输出的目标第一邻接矩阵； 基于所述待测血管图像的节点集、边集和所述目标第一邻接矩阵，生成目标血管连通图； 其中，所述U-net模型为，以带边标签的样本血管图像为训练样本，基于目标损失函数，训练得到； 在所述将待测血管图像输入至U-net模型之前，所述方法包括： 基于所述样本血管图像的节点集和边集，生成样本第一邻接矩阵； 基于节点特征和所述样本第一邻接矩阵，预测节点之间的链路，生成第二邻接矩阵； 基于所述样本第一邻接矩阵和所述第二邻接矩阵，确定所述目标损失函数； 目标损失函数包括：分割损失函数和图约束连接损失函数； 在实际训练过程中，先使用分割损失函数来训练初始U-net模型； 初始U-net模型的输入为带边标签的样本血管图像，输出为与带边标签的样本血管图像对应的样本第一邻接矩阵； 其中，分割损失函数是基于Dice损失函数和交叉熵CE损失函数生成的： ； 其中，为分割损失函数；为像素数，为由初始U-net模型输出的像素i的样本第一邻接矩阵对应的图像；为人工注释GT；为平滑项，设置为1e-6； 然后使用LP-GCCM模型来优化初始U-net模型； LP-GCCM模型的输入为带边标签的样本第一邻接矩阵对应的图像，输出为第二邻接矩阵； 其中，样本第一邻接矩阵对应的图像是由初始U-net模型所生成的； 对于LP-GCCM模型，使用带有sigmoid层的CE作为图约束连接损失；其中： ； 其中，为像素数； 则优化后的U-net模型的目标损失函数可以表示为： ； 所述基于所述样本血管图像的节点集和边集，生成样本第一邻接矩阵，包括： 对所述节点集中目标节点进行聚类，生成与所述目标节点对应的簇； 基于所述目标节点对应的簇和所述簇中每个像素点的特征，生成所述目标节点对应的节点特征； 基于所述节点特征之间的余弦相似度，生成所述样本第一邻接矩阵； 所述基于节点特征和所述样本第一邻接矩阵，预测节点之间的链路，生成第二邻接矩阵，包括： 基于图卷积对所述节点特征进行编码，生成节点嵌入表示； 使用内积对所述节点嵌入表示进行解码，生成所述第二邻接矩阵； 所述使用内积对所述节点嵌入表示进行解码，生成所述第二邻接矩阵，包括： 基于公式： 生成所述第二邻接矩阵，其中，为所述第二邻接矩阵，为所述节点嵌入表示，为所述节点特征，为所述样本第一邻接矩阵，为目标图卷积层，为sigmoid函数。

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北京大学，其通讯地址为：100871 北京市海淀区颐和园路5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。