買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉北京透徹未來科技有限公司申請的專利一種結(jié)直腸腺瘤識別語義分割深度學(xué)習(xí)系統(tǒng)及構(gòu)建方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120088785B 。

龍圖騰網(wǎng)通過國家知識產(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)的專利申請?zhí)?專利號為：202510015229.0，技術(shù)領(lǐng)域涉及：G06V20/70；該發(fā)明授權(quán)一種結(jié)直腸腺瘤識別語義分割深度學(xué)習(xí)系統(tǒng)及構(gòu)建方法是由王書浩;王偉設(shè)計研發(fā)完成，并于2025-01-06向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種結(jié)直腸腺瘤識別語義分割深度學(xué)習(xí)系統(tǒng)及構(gòu)建方法在說明書摘要公布了：本發(fā)明屬于學(xué)習(xí)模型構(gòu)建技術(shù)領(lǐng)域，提供一種結(jié)直腸腺瘤識別語義分割深度學(xué)習(xí)系統(tǒng)及構(gòu)建方法，包括：數(shù)據(jù)集獲取及處理模塊，用于獲取并處理結(jié)直腸腺瘤的病例影像，獲得目標(biāo)數(shù)據(jù)集；模型構(gòu)建模塊，用于基于名為蘇木精和伊紅的染色劑，結(jié)合半監(jiān)督學(xué)習(xí)模型，構(gòu)建獲得HE對抗性平均教師的語義分割深度學(xué)習(xí)模型；模型學(xué)習(xí)訓(xùn)練模塊，用于基于目標(biāo)數(shù)據(jù)集，對語義分割深度模型進(jìn)行學(xué)習(xí)訓(xùn)練。本發(fā)明通過獲取并處理結(jié)直腸腺瘤的病例影像，并基于名為蘇木精和伊紅的染色劑，結(jié)合半監(jiān)督學(xué)習(xí)模型，構(gòu)建并學(xué)習(xí)訓(xùn)練語義分割深度學(xué)習(xí)模型，可保證結(jié)直腸腺瘤識別語義分割深度學(xué)習(xí)系統(tǒng)的創(chuàng)建質(zhì)量，為高效準(zhǔn)確地識別結(jié)直腸腺瘤的病例影像提供基礎(chǔ)。

本發(fā)明授權(quán)一種結(jié)直腸腺瘤識別語義分割深度學(xué)習(xí)系統(tǒng)及構(gòu)建方法在權(quán)利要求書中公布了：1.一種結(jié)直腸腺瘤識別語義分割深度學(xué)習(xí)系統(tǒng)，其特征在于，包括： 數(shù)據(jù)集獲取及處理模塊，用于獲取并處理結(jié)直腸腺瘤的病例影像，獲得目標(biāo)數(shù)據(jù)集； 模型構(gòu)建模塊，用于基于名為蘇木精和伊紅HE的染色劑，結(jié)合半監(jiān)督學(xué)習(xí)模型AdversarialMeanTeacher，AMT，構(gòu)建獲得HE對抗性平均教師HEAMT的語義分割深度學(xué)習(xí)模型； 模型學(xué)習(xí)訓(xùn)練模塊，用于基于目標(biāo)數(shù)據(jù)集，對語義分割深度模型進(jìn)行學(xué)習(xí)訓(xùn)練；包括： 設(shè)置目標(biāo)數(shù)據(jù)集中的訓(xùn)練數(shù)據(jù)集S和測試數(shù)據(jù)集T；其中，S包括Ns個標(biāo)記的結(jié)直腸腺瘤的病例影像，其中，代表訓(xùn)練數(shù)據(jù)集S中的第i個樣本數(shù)據(jù)；T包括Nt個未標(biāo)記的結(jié)直腸腺瘤的病例影像；其中，代表訓(xùn)練數(shù)據(jù)集T中的第i個樣本數(shù)據(jù)； 按照劃分的階段，基于訓(xùn)練數(shù)據(jù)集S和測試數(shù)據(jù)集T，以端到端方式優(yōu)化損失，進(jìn)行學(xué)習(xí)訓(xùn)練；階段包括初始化階段和相互學(xué)習(xí)階段； 其中，初始化階段為：基于訓(xùn)練數(shù)據(jù)集S訓(xùn)練一個完全監(jiān)督的分類模型，即用標(biāo)記的結(jié)直腸腺瘤的病例影像訓(xùn)練分類器，然后將其復(fù)制成兩個副本，將兩個副本分別作為初始化的學(xué)生模型和教師模型；相互學(xué)習(xí)階段為：教師模型從測試數(shù)據(jù)集T獲取弱增圖像，學(xué)生模型從訓(xùn)練數(shù)據(jù)集S和測試數(shù)據(jù)集T獲取強(qiáng)增圖像；教師模型在測試數(shù)據(jù)集T上生成偽標(biāo)簽訓(xùn)練學(xué)生模型，學(xué)生模型通過指數(shù)移動平均線更新教師模型； 相互學(xué)習(xí)階段還包括：利用強(qiáng)增強(qiáng)策略和弱增強(qiáng)策略，幫助學(xué)生模型在訓(xùn)練數(shù)據(jù)集S和測試數(shù)據(jù)集T學(xué)習(xí)染色不變特征；弱增強(qiáng)策略包括隨機(jī)水平翻轉(zhuǎn)、隨機(jī)垂直翻轉(zhuǎn)和隨機(jī)旋轉(zhuǎn)；強(qiáng)增強(qiáng)策略在弱增強(qiáng)策略基礎(chǔ)上增加了HSV移位； 將逆向?qū)W習(xí)引入語義分割深度學(xué)習(xí)模型，以對齊特征空間中訓(xùn)練數(shù)據(jù)集S和測試數(shù)據(jù)集T的分布； 利用計算出的HE矩陣，使用具有梯度反向?qū)覩RL的aHE鑒別器來對齊特征空間中的染色分布；包括： 對獲取的鑒別器進(jìn)行改進(jìn)，獲得改進(jìn)的鑒別器，以預(yù)測HE成分； 將二元交叉熵對抗性損失更改為： 其中，Ladv代表對抗性損失，LMSE代表損失函數(shù)L2的平方；表示強(qiáng)增強(qiáng)訓(xùn)練數(shù)據(jù)集S中圖像的HE矩陣；表示強(qiáng)增強(qiáng)測試數(shù)據(jù)集T中圖像的HE矩陣； 基于改進(jìn)的鑒別器，應(yīng)用二元交叉熵對抗性損失，結(jié)合分類網(wǎng)絡(luò)之間的梯度反向?qū)覩RL實現(xiàn)對抗性學(xué)習(xí)。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人北京透徹未來科技有限公司，其通訊地址為：100000 北京市海淀區(qū)蓮花池東路39號6層608；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)”。