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！

龙图腾网获悉西北工业大学宁波研究院申请的专利一种基于深度学习的线粒体分割与分类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：CN116797791B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202310751254.6，技术领域涉及：G06V10/26；该发明授权一种基于深度学习的线粒体分割与分类方法是由彭勃;李林;丁阳;李锦涛;柏桦;张佳欣;黄维设计研发完成，并于2023-06-25向国家知识产权局提交的专利申请。

本一种基于深度学习的线粒体分割与分类方法在说明书摘要公布了：本发明提供了一种基于深度学习的线粒体分割与分类方法，解决现有进行线粒体形态学分析处理的技术方法和模型存在的鲁棒性和准确性较低，以及无法定性与定量分析的问题通过图像分割和图像分类结合的“分割‑分类”思路实现了对线粒体超分辨图像的定性与定量分析，其中，图像分割部分体现出了定量，深度学习可以量化每个图像中线粒体的形态轮廓，并量化线粒体伪彩色图像的荧光强度。图像分类部分体现出了定性和定量，深度学习可以将不同形态的线粒体分类从而定性圆形或丝状，并统计圆形线粒体的占比从而量化当前细胞内线粒体的整体病变程度。

本发明授权一种基于深度学习的线粒体分割与分类方法在权利要求书中公布了：1.一种基于深度学习的线粒体超分辨图像的分割与分类模型的建立方法，其特征在于：该模型自输入至输出包括图像分割模型和图像分类融合模型； 所述图像分割模型为U-Net改进模型U-RNet+；改进模型U-RNet+是在U-Net基础网络的每个卷积层之后加入改进后的残差网络，一个改进的残差单元由一个改进的卷积残差块和两个改进的恒等残差块组成，且在所述改进的卷积残差块中，将主路与侧路的步长为2的卷积层替换为步长为1的卷积层与池化层的组合，在所述改进的恒等残差块中，将侧路的输入层替换为步长为1的卷积层，并对最外层跳跃连接传递的特征图增加了CBAM机制； 所述图像分类融合模型包括先后设置的图像分类模型和图像融合模型；其中，图像分类模型为CNN改进模型CNN-11；所述图像融合模型为XGBoost； 该模型通过以下步骤建立： S1：获取训练样本数据 使用结构光照明超分辨荧光显微镜拍摄用于图像分割模型训练的线粒体超分辨荧光图像； S2：图像分割模型的训练图像预处理及标注 将S1得到的线粒体超分辨荧光图像裁切和筛选后，对线粒体超分辨荧光图像进行标注，包括线粒体在图像中的区域以及具体的轮廓； S3：基于深度学习的图像分割模型训练 使用S2标注的数据集对图像分割模型进行训练，训练过程的输入为标注后的线粒体超分辨荧光图像，学习目标为线粒体的空间分布和形状轮廓，输出结果为包含线粒体空间分布和形状轮廓的二值化分割图像，并得到可量化的兼顾了原始图像的色彩信息和分割图像的轮廓信息的线粒体伪彩图； S4：图像分类模型的训练图像预处理及标注 将S3获取的二值化分割图像进行筛选和扩充，并将不同形态的线粒体分别归类到对应的标签文件夹之中进行标注； S5：基于深度学习的图像分类模型训练 使用S4标注的数据集对图像分类模型进行训练，训练过程的输入为S4预处理及标注后的S3的二值化分割图像，学习目标为线粒体的形状类别，输出结果为线粒体类别的预测及分数； S6：基于深度学习的图像分类融合模型训练 对图像融合模型进行训练，训练过程的输入为S5图像分类模型得到的线粒体类别的预测及分数和基于图像处理算法获取的线粒体图像的形态学参数指标，学习目标为线粒体的形状类别，输出结果为线粒体类别的预测及分数； S7：得到搭建并训练好的基于深度学习的线粒体超分辨图像的分割与分类模型。

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西北工业大学宁波研究院，其通讯地址为：315040 浙江省宁波市高新区清逸路218弄；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。