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！

龙图腾网获悉广州医科大学申请的专利基于知识蒸馏和图神经网络的血涂片图像分类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：CN120472213B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202510556961.9，技术领域涉及：G06V10/764；该发明授权基于知识蒸馏和图神经网络的血涂片图像分类方法及系统是由蒋鑫晔;谢文韬;黄静滢;余宇;毕志升;杨钱俊;倪震楠设计研发完成，并于2025-04-29向国家知识产权局提交的专利申请。

本基于知识蒸馏和图神经网络的血涂片图像分类方法及系统在说明书摘要公布了：本发明公开了一种基于知识蒸馏和图神经网络的血涂片图像分类方法及系统，所述方法包括：获取训练数据集，进行预处理，得到训练特征矩阵；将所述训练特征矩阵输入到预先训练的教师模型中，输出教师特征和教师预测结果，将所述训练特征矩阵输入到学生模型中，输出学生特征和学生预测结果；计算特征蒸馏损失、分类损失和时序一致性损失，生成学生模型损失，优化学生模型；当获取到待处理的血涂片图像和检验周期时，进行预处理后输入到已训练的学生模型中，输出分类结果。本发明通过知识蒸馏降低了训练难度，从而提升了对血涂片图像处理结果的稳定性和效果，并且在资源有限的环境中也可以实现部署，提高了模型的实用性。

本发明授权基于知识蒸馏和图神经网络的血涂片图像分类方法及系统在权利要求书中公布了：1.一种基于知识蒸馏和图神经网络的血涂片图像分类方法，其特征在于，所述基于知识蒸馏和图神经网络的血涂片图像分类方法包括： 获取训练数据集，对所述训练数据集中训练样本的训练血涂片图像进行预处理，得到训练特征矩阵； 将所述训练特征矩阵输入到预先训练的教师模型中，输出教师特征和教师预测结果，将所述训练特征矩阵输入到学生模型中，输出学生特征和学生预测结果； 根据所述教师特征和所述学生特征计算特征蒸馏损失，根据所述学生预测结果和所述训练样本中的标签计算分类损失，根据所述教师预测结果和所述学生预测结果计算时序一致性损失，根据所述特征蒸馏损失、所述分类损失和所述时序一致性损失生成学生模型损失，根据学生模型损失优化学生模型； 对学生模型进行迭代训练，当训练达到预设要求时，输出已训练的学生模型，当获取到待处理的血涂片图像和检验周期时，将所述待处理的血涂片图像和所述检验周期进行预处理后输入到已训练的学生模型中，输出分类结果； 所述对所述训练数据集中训练样本的训练血涂片图像进行预处理，得到训练特征矩阵，具体包括： 获取检验周期，将所述训练血涂片图像和所述检验周期输入到时序对齐模块进行时序对齐，得到图像序列； 将所述图像序列和所述训练血涂片图像输入到图结构构建模块，生成训练特征矩阵，其中，训练特征矩阵包括节点特征矩阵和边特征矩阵； 所述将所述训练特征矩阵输入到预先训练的教师模型中，输出教师特征和教师预测结果，具体包括： 将所述训练特征矩阵输入到预先训练的教师模型的图注意力网络中，将图注意力网络第二层输出的特征作为教师特征； 在所述图注意力网络输出的每个时间点的特征中加入时间维度，得到对应的教师最终特征表示，并将教师最终特征表示输入到预先训练的教师模型的双向门控循环单元，生成正反隐状态，根据所述正反隐状态、输出层和前馈神经网络，生成教师预测结果； 所述根据所述教师特征和所述学生特征计算特征蒸馏损失，根据所述学生预测结果和所述训练样本中的标签计算分类损失，根据所述教师预测结果和所述学生预测结果计算时序一致性损失，具体包括： 根据预先构建的跨层投影矩阵，将所述教师特征映射到所述学生模型的特征空间，得到投影特征； 根据所述投影特征和所述学生特征计算推土机距离，根据推土机距离得到所述特征蒸馏损失； 根据所述学生预测结果和所述训练样本中的标签计算交叉熵损失，并将其作为分类损失； 根据所述教师预测结果和所述学生预测结果，采用动态时间规整来计算已训练的教师模型和学生模型之间的距离，并根据动态时间规整算法寻找最优路径； 根据寻找到的最优路径，计算余弦相似度损失，并将其作为所述时序一致性损失。

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广州医科大学，其通讯地址为：510000 广东省广州市东风西路195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。