買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國醫學科學院阜外醫院申請的專利肺動脈高壓發生概率預測模型的訓練方法及預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119920461B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411846090.6，技術領域涉及：G16H50/30；該發明授權肺動脈高壓發生概率預測模型的訓練方法及預測方法是由趙智慧;楊濤;李欣;柳志紅;羅勤;趙青;鄧麗設計研發完成，并于2024-12-13向國家知識產權局提交的專利申請。

本肺動脈高壓發生概率預測模型的訓練方法及預測方法在說明書摘要公布了：本申請公開了一種肺動脈高壓發生概率預測模型的訓練方法及預測方法，訓練方法包括獲取多組歷史影像數據；融合YOLOv6網絡模型和特征自適應注意力模型，得到初始預測模型，特征自適應注意力模型用于自適應選擇不同卷積核對不同尺度的通道特征進行提取及混洗；輸入多組歷史影像數據至初始預測模型進行訓練，得到目標慢性血栓栓塞性肺動脈高壓發生概率預測模型。本方法實現了基于YOLOv6網絡模型及特征自適應注意力模型構建得到目標慢性血栓栓塞性肺動脈高壓發生概率預測模型，有利于提高根據目標慢性血栓栓塞性肺動脈高壓發生概率預測模型對慢性血栓栓塞性肺動脈高壓發生概率進行預測的預測準確性及預測效率。

本發明授權肺動脈高壓發生概率預測模型的訓練方法及預測方法在權利要求書中公布了：1.一種肺動脈高壓發生概率預測模型的訓練方法，其特征在于，包括： 獲取多組歷史影像數據，每組歷史影像數據包括一個用戶的歷史肺動脈造影動態影像、歷史肺血管圖像以及歷史心電圖，所述每組歷史影像數據標注有歷史慢性血栓栓塞性肺動脈高壓發生概率； 融合第一特征提取模塊、第二特征提取模塊、特征混洗模塊、第三特征提取模塊以及融合模塊，得到特征自適應注意力模型，所述特征自適應注意力模型用于自適應選擇不同卷積核對不同尺度的通道特征進行提取及混洗，所述第一特征提取模塊連接于所述第二特征提取模塊及所述特征混洗模塊，所述第二特征提取模塊連接于所述特征混洗模塊，所述特征混洗模塊連接于所述第三特征提取模塊及所述融合模塊，所述第一特征提取模塊包括第一1x1卷積層，所述第一1x1卷積層用于對所述多組歷史影像數據進行特征提取，得到第一特征圖；所述第二特征提取模塊包括5x5深度可分離卷積層、選擇性核網絡層及9x9深度可分離卷積層，所述5x5深度可分離卷積層用于對所述第一特征圖進行深度特征提取，得到第二特征圖，所述選擇性核網絡層用于對所述第一特征圖進行權重賦值，得到第三特征圖，所述9x9深度可分離卷積層用于對所述第一特征圖進行深度特征提取，得到第四特征圖；所述特征混洗模塊包括chunk函數，所述chunk函數用于對所述第一特征圖、所述第二特征圖、所述第三特征圖及所述第四特征圖進行混洗操作，得到第五特征圖；所述第三特征提取模塊包括依次連接的第二1x1卷積層及第三1x1卷積層，所述第二1x1卷積層用于對所述第五特征圖進行特征提取，得到第六特征圖，所述第三1x1卷積層用于對所述第六特征圖進行特征提取，得到第七特征圖；所述融合模塊包括Concat層，所述Concat層用于對所述第五特征圖及所述第七特征圖進行融合，得到第八特征圖； 融合YOLOv6網絡模型的主干網絡中的快速金字塔池化模塊和所述特征自適應注意力模型，得到初始融合模型； 刪除所述初始融合模型中的跨階段局部模塊，得到所述初始預測模型； 輸入所述多組歷史影像數據至所述初始預測模型進行訓練，得到目標慢性血栓栓塞性肺動脈高壓發生概率預測模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國醫學科學院阜外醫院，其通訊地址為：100037 北京市西城區北禮士路167號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。