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！

龍圖騰網獲悉杭州電子科技大學申請的專利基于深度學習的眼底圖像與造影圖像的標簽遷移分類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：CN113989191B 。

龍圖騰網通過國家知識產權局官網在2025-09-12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：202111149517.3，技術領域涉及：G06T7/00；該發明授權基于深度學習的眼底圖像與造影圖像的標簽遷移分類方法是由徐梓豪;王亞奇;金凱;高知遠;賈剛勇;顧人舒設計研發完成，并于2021-09-29向國家知識產權局提交的專利申請。

本基于深度學習的眼底圖像與造影圖像的標簽遷移分類方法在說明書摘要公布了：本發明公開了一種基于深度學習的眼底圖像與造影圖像的標簽遷移分類方法，包括數據預處理、標簽遷移、分類網絡訓練和特征可視化。具體是將所獲得的眼底圖像數據以及熒光素眼底血管造影圖像數據進行預處理，從而突出病灶區域；將預處理后的熒光素眼底血管造影圖像的標簽特征轉移到眼底圖像的標簽特征；將標簽遷移后的眼底圖像輸入神經網絡BathNet進行分類訓練；將分類后的圖像數據進行特征可視化處理，顯示眼底圖像的病灶區域。利用本發明方法只需一張眼底圖像便可直接定位病灶區，并確定可能存在的疾病特征，因此提高了診斷效率，且有效降低了眼底疾病診斷的成本。

本發明授權基于深度學習的眼底圖像與造影圖像的標簽遷移分類方法在權利要求書中公布了：1.基于深度學習的眼底圖像與造影圖像的標簽遷移分類方法，其特征在于該方法包括以下步驟： 步驟1數據預處理階段：將所獲得的眼底圖像CFP數據以及熒光素眼底血管造影圖像FFA數據進行去冗余、尺寸歸一化以及特征增強處理，從而突出病灶區域； 步驟2標簽遷移階段：將步驟1所獲得的熒光素眼底血管造影圖像FFA的標簽特征轉移到眼底圖像CFP的標簽特征； 步驟3分類網絡訓練階段：將步驟2所獲得的標簽遷移后的眼底圖像CFP輸入神經網絡BathNet進行分類訓練； 步驟4特征可視化階段：將步驟3所獲得的已分類的圖像數據進行特征可視化處理，顯示眼底圖像CFP的病灶區域； 所述步驟2中每一張眼底圖像CFP以及熒光素眼底血管造影圖像FFA都有對應的糖尿病視網膜病變的相關疾病特征的標簽，將所述標簽分為分類標簽和分級標簽兩種；分類標簽即為糖尿病視網膜病變疾病的特征種類標簽，包括微血管瘤、滲透、無灌注區、黃斑水腫；每一個分類標簽下有表示嚴重程度的分級標簽：0級、1級、2級；將每張眼底圖像CFP對應的數張熒光素眼底血管造影圖像FFA的每個分類標簽下的分級標簽進行并集運算，將得到的熒光素眼底血管造影圖像FFA標簽遷移到眼底圖像CFP去進行訓練，使得眼底圖像CFP使用熒光素眼底血管造影圖像FFA的標簽進行訓練； 所述步驟3使用了雙線性模型高效分類網絡BathNet，神經網絡BathNet結合了新型Backbone主干網絡LGXNet以及空間特征注意力機制； 具體步驟包括：提取步驟2中標簽遷移后的眼底圖像CFP的特征信息后，輸入到LGXNet后生成特征圖像FeatureMap，FeatureMap輸入A-Net后生成AttentionMap，將得到的FeatureMap與AttentionMap進行乘法運算，從而獲得圖像的掩碼，分別對掩碼與AttentionMap進行全局平均池化并作元素除法運算，作為空間特征注意力模塊的輸出；將LGXNet的輸出放入B-Net后的結果與空間特征注意力模塊的輸出作為輸入進行元素平均值運算，對元素平均值運算的輸出通過雙線性函數操作B得到雙線性向量，最后再對所述雙線性向量通過符號平方根運算和歸一化得到BathNet的輸出；將神經網絡BathNet的輸出進行全局平均池化后，再接Softmax層運算，輸出一個1×N維度的向量，其中N為糖尿病視網膜病變相關疾病的特征數，得到訓練后的分類結果； 其中為了更好的實現讓神經網絡將重點放在重要特征上的效果，評估每個神經元的重要性，將具有空域抑制效應的神經元賦予更高的重要性，通過以下公式計算最小能量，能量越低，神經元與周圍神經元的區別越大，重要性越高，神經元的重要性通過得到： 其中， M是通道上的神經元數量，t和xi分別是輸入特征X的單個通道中的目標神經元和其他神經元。

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杭州電子科技大學，其通訊地址為：310018 浙江省杭州市錢塘區白楊街道2號大街；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”。