買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉西南大學(xué)申請(qǐng)的專(zhuān)利基于雙側(cè)對(duì)比差異信息的顱內(nèi)大血管堵塞識(shí)別的分類(lèi)方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116403055B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202310562950.2，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)基于雙側(cè)對(duì)比差異信息的顱內(nèi)大血管堵塞識(shí)別的分類(lèi)方法是由姚睿;陳善雄;李川;李詠梅;譚朵;馬雨琪;向雅蕓設(shè)計(jì)研發(fā)完成，并于2023-05-18向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本基于雙側(cè)對(duì)比差異信息的顱內(nèi)大血管堵塞識(shí)別的分類(lèi)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于雙側(cè)對(duì)比差異信息的顱內(nèi)大血管堵塞識(shí)別的分類(lèi)方法，主要涉及醫(yī)學(xué)圖像分類(lèi)技術(shù)領(lǐng)域；包括步驟：S1、采集數(shù)據(jù)圖像并進(jìn)行最大密度投影操作，將原始影像格式數(shù)據(jù)轉(zhuǎn)換為圖像格式數(shù)據(jù)；S2、預(yù)處理圖像；S3、將左半腦圖像、右半腦圖像分別送入主體網(wǎng)絡(luò)提取對(duì)應(yīng)半腦的圖像特征FMleft、FMr?flip；S4、將獲取的FMleft、FMr?flip送入對(duì)稱(chēng)信息處理模塊，獲取分類(lèi)損失S5、將獲取的FMleft、FMr?flip送入深度監(jiān)督模塊，獲取對(duì)比損失S6、利用和更新模型，直至效果收斂；本發(fā)明能夠解決現(xiàn)有的顱內(nèi)大血管堵塞責(zé)任血管自動(dòng)化識(shí)別效果差的問(wèn)題。

本發(fā)明授權(quán)基于雙側(cè)對(duì)比差異信息的顱內(nèi)大血管堵塞識(shí)別的分類(lèi)方法在權(quán)利要求書(shū)中公布了：1.基于雙側(cè)對(duì)比差異信息的顱內(nèi)大血管堵塞識(shí)別的分類(lèi)方法，其特征在于，包括步驟： S1、采集數(shù)據(jù)圖像并進(jìn)行最大密度投影操作，將原始影像格式數(shù)據(jù)轉(zhuǎn)換為圖像格式數(shù)據(jù)，以便后續(xù)使用； S2、預(yù)處理圖像，先矯正輸入圖像，然后將輸入圖像劃分為左半腦圖像Xleft和右半腦圖像Xright，然后對(duì)Xright圖像進(jìn)行水平翻轉(zhuǎn)得到Xr-flip； S3、將左半腦圖像、右半腦圖像分別送入主體網(wǎng)絡(luò)提取對(duì)應(yīng)半腦的圖像特征FMleft、FMr-flip； 輸入的圖像Xleft、Xr-flip會(huì)首先經(jīng)過(guò)同一個(gè)主干網(wǎng)絡(luò)去提取同樣式的低級(jí)特征Fleft、Fr-flip，然后Fleft、Fr-flip會(huì)分別經(jīng)過(guò)各自半腦獨(dú)有的注意力卷積分支去獲得高級(jí)語(yǔ)義特征FMleft、FMr-flip； 其中，注意力卷積分支是由多個(gè)注意力卷積塊組成，能在空間以及通道維度上完成注意力的加持； 注意力卷積分支為： 對(duì)于輸入的卷積特征Finput，它將在通道以及空間位置上完成加權(quán)操作后得到輸出特征Fout，在通道加權(quán)方面，F(xiàn)input首先會(huì)在寬高維度進(jìn)行全局最大池化與全局平均池化操作得到FMP與FAP，然后FMP與FAP在經(jīng)過(guò)MLP結(jié)構(gòu)后會(huì)完成對(duì)應(yīng)位置值加和操作，最后在Sigmoid激活函數(shù)的作用下生成最終的通道權(quán)重Wcha，用公式描述為： Wcha＝σMLPAvgPoolFinput+MLPMaxPoolFinput 其中，σ·為Sigmoid激活函數(shù)，MLP為多層感知機(jī)結(jié)構(gòu)； 對(duì)于空間信息的加權(quán)，F(xiàn)input也會(huì)先使用最大池化與平均池化操作，不過(guò)是在通道方向上進(jìn)行，這樣會(huì)得到與Finput同等寬高但通道為1的特征與然后這兩個(gè)特征會(huì)在拼接和卷積，卷積操作后由Sigmoid激活函數(shù)生成空間權(quán)重Wspa，用公式描述為： Wspa＝σconvconcat[AvgPoolFinput,MaxPoolFinput] 其中，conv為3×3卷積操作，concat為拼接操作，σ·為Sigmoid激活函數(shù)； S4、將獲取的FMleft、FMr-flip送入對(duì)稱(chēng)信息處理模塊，獲取分類(lèi)損失 首先將兩側(cè)半腦的特征信息進(jìn)行wise-subtract操作，得到差異特征Fu，然后將差異特征Fu送入連續(xù)的卷積層進(jìn)行信息提取，接著實(shí)施按batchsize維度展平，最后送入全連接層完成分類(lèi)的操作，得到分類(lèi)損失分類(lèi)的損失函數(shù)為交叉熵?fù)p失函數(shù)； 用公式語(yǔ)言描述為： 其中，Conv·表示連續(xù)的卷積操作，View·表示展平操作，F(xiàn)C表示全連接層，在得到Ff之后還需要進(jìn)行Softmax操作才能獲取最后的各類(lèi)別預(yù)測(cè)概率，最終所用的分類(lèi)損失函數(shù)為交叉熵?fù)p失函數(shù)，公式表達(dá)為： 其中，N表示樣本數(shù)量，M表示分類(lèi)類(lèi)別數(shù)，yic如果樣本i的真實(shí)類(lèi)別等于c取1，否則取0，pic表示觀察樣本i屬于類(lèi)別c的預(yù)測(cè)概率； S5、將獲取的FMleft、FMr-flip送入深度監(jiān)督模塊，獲取對(duì)比損失 S6、利用和更新模型，直至效果收斂。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人西南大學(xué)，其通訊地址為：400715 重慶市北碚區(qū)天生路2號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。