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)獲悉四川輕化工大學(xué)申請(qǐng)的專(zhuān)利一種基于改進(jìn)DCGAN訓(xùn)練策略的病理圖像增強(qiáng)與分類(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：CN120496074B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-16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：202510975871.3，技術(shù)領(lǐng)域涉及：G06V20/70；該發(fā)明授權(quán)一種基于改進(jìn)DCGAN訓(xùn)練策略的病理圖像增強(qiáng)與分類(lèi)方法是由丁菊容;李霞;潘興亮;華波;劉碩;王杰;杜玲艷;殷杰;陳新設(shè)計(jì)研發(fā)完成，并于2025-07-16向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種基于改進(jìn)DCGAN訓(xùn)練策略的病理圖像增強(qiáng)與分類(lèi)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于改進(jìn)DCGAN訓(xùn)練策略的病理圖像增強(qiáng)與分類(lèi)方法，通過(guò)改進(jìn)的DCGAN訓(xùn)練策略，在有限標(biāo)注樣本條件下生成高保真度的病理圖像；將生成圖像添加到原始數(shù)據(jù)中，提高原始數(shù)據(jù)集的質(zhì)量；通過(guò)輕量化CRC病理圖像分類(lèi)網(wǎng)絡(luò)MRD?Net模型對(duì)圖像進(jìn)行分類(lèi)。本方案顯著提升了原始數(shù)據(jù)集的質(zhì)量，有效緩解醫(yī)學(xué)影像數(shù)據(jù)獲取難、標(biāo)注成本高等問(wèn)題，在保證分類(lèi)準(zhǔn)確性的前提下，大幅降低了模型參數(shù)量，顯著提升了分類(lèi)的效率。

本發(fā)明授權(quán)一種基于改進(jìn)DCGAN訓(xùn)練策略的病理圖像增強(qiáng)與分類(lèi)方法在權(quán)利要求書(shū)中公布了：1.一種基于改進(jìn)DCGAN訓(xùn)練策略的病理圖像增強(qiáng)與分類(lèi)方法，其特征在于，包括以下步驟： 步驟S1：通過(guò)改進(jìn)的DCGAN訓(xùn)練策略，在有限標(biāo)注樣本條件下生成高保真度的病理圖像；所述改進(jìn)的DCGAN訓(xùn)練策略基于DCGAN網(wǎng)絡(luò)架構(gòu)，包括生成器、判別器和卷積層，并對(duì)生成器與判別器的層數(shù)和通道數(shù)進(jìn)行修改，所述生成器與判別器均包括六個(gè)卷積塊；所述生成器在訓(xùn)練初期向輸入數(shù)據(jù)中引入均值為0且方差為1的高斯噪聲，隨后通過(guò)指數(shù)衰減策略逐步減小噪聲方差，并對(duì)真實(shí)數(shù)據(jù)與生成數(shù)據(jù)均引入DiffAugment增強(qiáng)數(shù)據(jù)； 步驟S2：將生成圖像添加到原始數(shù)據(jù)中，提高原始數(shù)據(jù)集的質(zhì)量； 步驟S3：通過(guò)輕量化CRC病理圖像分類(lèi)網(wǎng)絡(luò)MRD-Net模型對(duì)圖像進(jìn)行分類(lèi)；所述輕量化CRC病理圖像分類(lèi)網(wǎng)絡(luò)MRD-Net模型包括特征提取器模塊和分類(lèi)器模塊，所述特征提取器模塊由五個(gè)卷積塊組成，其通道數(shù)依次為32、96、192、384和512，其中第一個(gè)卷積塊采用兩個(gè)3×3卷積層進(jìn)行初始特征提取，后接BatchNormalization、ReLU激活函數(shù)和MaxPool層進(jìn)行降維處理；第二至第五個(gè)卷積塊引入改進(jìn)的DSC模塊；所述改進(jìn)的DSC模塊具體設(shè)置為： 通過(guò)一個(gè)1×1卷積擴(kuò)展通道維度并引入非線(xiàn)性映射，隨后使用一個(gè)3×3深度卷積提取空間特征，再用一個(gè)1×1卷積進(jìn)行通道融合； 將通道融合后的結(jié)果與第一個(gè)1×1卷積的輸出相加，通過(guò)ReLU激活函數(shù)生成最終輸出； 特征提取部分最終通過(guò)一個(gè)AdaptiveMaxPool層將空間特征壓縮為固定的全局表示，供所述分類(lèi)器模塊使用。

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)人四川輕化工大學(xué)，其通訊地址為：643002 四川省自貢市匯東學(xué)苑街180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(huà)0551-65771310或微信搜索“龍圖騰網(wǎng)”。