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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉北京大學第三醫(yī)院(北京大學第三臨床醫(yī)學院)申請的專利一種嚴重產(chǎn)后出血的預(yù)測方法及系統(tǒng)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：CN119919383B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-23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：202510000043.8，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)一種嚴重產(chǎn)后出血的預(yù)測方法及系統(tǒng)是由郭曉玥;趙揚玉;王妍;楊怡珂設(shè)計研發(fā)完成，并于2025-01-01向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種嚴重產(chǎn)后出血的預(yù)測方法及系統(tǒng)在說明書摘要公布了：本發(fā)明實施例的方法中提出了一種嚴重產(chǎn)后出血的預(yù)測方法及系統(tǒng)，該方法首先獲取多模態(tài)醫(yī)學影像數(shù)據(jù)后對其進行預(yù)處理與對齊；然后通過滑動窗口策略對圖像進行分割處理，從分割結(jié)果中提取結(jié)構(gòu)特征、紋理特征、血流動力學特征和血管分布特征；隨后將特征作為節(jié)點構(gòu)建圖結(jié)構(gòu)，利用圖卷積網(wǎng)絡(luò)對節(jié)點間關(guān)系進行編碼，并計算出特征在拓撲層面的關(guān)聯(lián)性；最后根據(jù)關(guān)聯(lián)性將特征進行融合后，輸入預(yù)測模型后輸出預(yù)測結(jié)果。本發(fā)明的方法通過多特征融合和多模態(tài)數(shù)據(jù)整合，提高了預(yù)測能力和預(yù)測的準確性，增強了模型在不同數(shù)據(jù)環(huán)境下的魯棒性，能夠在孕婦妊娠中后期及時識別出出血風險，提供早期干預(yù)和治療建議，顯著降低嚴重產(chǎn)后出血的發(fā)生率和致命性。

本發(fā)明授權(quán)一種嚴重產(chǎn)后出血的預(yù)測方法及系統(tǒng)在權(quán)利要求書中公布了：1.一種嚴重產(chǎn)后出血的預(yù)測方法，其特征在于，所述方法包括： S1、獲取多模態(tài)醫(yī)學影像數(shù)據(jù)后對其進行預(yù)處理與對齊，所述多模態(tài)醫(yī)學影像數(shù)據(jù)包括孕婦妊娠中后期的MRI圖像數(shù)據(jù)和超聲多普勒圖像數(shù)據(jù)； S2、通過滑動窗口策略對圖像進行分割處理，從分割結(jié)果中提取結(jié)構(gòu)特征、紋理特征、血流動力學特征和血管分布特征； S3、將特征作為節(jié)點構(gòu)建圖結(jié)構(gòu)，利用圖卷積網(wǎng)絡(luò)對節(jié)點間關(guān)系進行編碼，并計算出結(jié)構(gòu)特征、紋理特征、血流動力學特征和血管分布特征在拓撲層面的關(guān)聯(lián)性； S4、根據(jù)關(guān)聯(lián)性將結(jié)構(gòu)特征、紋理特征、血流動力學特征和血管分布特征進行融合后，輸入預(yù)測模型后輸出預(yù)測結(jié)果； 所述S1包括： S11、對多模態(tài)醫(yī)學影像數(shù)據(jù)進行去噪與偽影抑制后，進行分辨率和灰度的歸一化； S12、構(gòu)建初步深度學習模型進行輪廓檢測，對子宮與胎盤區(qū)域進行定位生成感興趣區(qū)域； S13、分別選取MRI圖像感興趣區(qū)域和超聲多普勒圖像感興趣區(qū)域的子宮角、胎盤邊緣、和血管入口，若能夠進行薄板樣條的形變配準，則將兩個模態(tài)在統(tǒng)一坐標系下進行對齊；若不能夠進行薄板樣條的形變配準，則將兩個模態(tài)在對抗網(wǎng)絡(luò)中進行對齊； 所述S12具體包括： S121、構(gòu)建初步深度學習模型： 其中，X表示歸一化的多模態(tài)醫(yī)學影像數(shù)據(jù)，Θ表示初步深度學習模型的所有可訓(xùn)練參數(shù)，Wout和bout表示輸出層的權(quán)重和偏置，F(xiàn)e 1和表示編碼器和解碼器的倒數(shù)第二層的特征圖，CC為Concat的縮寫表示特征圖的拼接，US為UpSample的縮寫表示上采樣操作，σ為激活函數(shù)，和表示最后一層解碼層的兩層卷積核的權(quán)重，和表示最后一層解碼層的兩層卷積核的偏置； S122、構(gòu)建初步學習模型的損失函數(shù)： 其中，LDice為Dice損失，LCE為交叉熵損失，pi為預(yù)測值，gi為預(yù)測值，ε為真實值，yi為真實標簽，為預(yù)測概率，N為訓(xùn)練樣本數(shù)量，α和β為權(quán)重參數(shù)； S123、基于多個訓(xùn)練樣本通過梯度下降法最小化損失函數(shù)LΘ，并將此時的可訓(xùn)練參數(shù)Θ代入初步深度學習模型； S124、將待處理的多模態(tài)醫(yī)學影像數(shù)據(jù)輸入訓(xùn)練好的初步深度學習模型，生成預(yù)測概率圖，將概率圖轉(zhuǎn)化為二值掩碼并進行平滑處理后，使用Canny邊緣檢測算法提取掩碼的邊緣輪廓，裁剪后生成基于子宮與胎盤區(qū)域的感興趣區(qū)域； 所述S13具體包括： S131、分別選取MRI圖像感興趣區(qū)域和超聲多普勒圖像感興趣區(qū)域的子宮角、胎盤邊緣和血管入口，提取精確坐標，形成超聲圖像地標點集和MRI圖像地標點集 S132、構(gòu)建薄板樣條映射函數(shù)其中，A為平移向量且B為仿射變換矩陣且ωi為非剛性變形權(quán)重且Ur＝r2logr2為徑向基函數(shù)，||·||為歐幾里得距離；通過最小化變形能量，建立線性方程組求解A、B和ωi解得映射函數(shù)fx； S133、通過公式計算配準后地標點的誤差MSE值，若MSE值在預(yù)設(shè)誤差范圍內(nèi)，則判斷MRI圖像感興趣區(qū)域和超聲多普勒圖像感興趣區(qū)域能夠進行薄板樣條的形變配準，將超聲圖像中的所有像素點xi通過薄板樣條映射函數(shù)變換到MRI圖像的坐標系下進行對齊； S134、若MSE值不在預(yù)設(shè)誤差范圍內(nèi)，則判斷MRI圖像感興趣區(qū)域和超聲多普勒圖像感興趣區(qū)域不能夠進行薄板樣條的形變配準，則利用對抗網(wǎng)絡(luò)進行配準對齊； 所述S134具體包括： 構(gòu)建包含生成器G、生成器F、判別器DMRI和判別器DUS的對抗網(wǎng)絡(luò)模型，其中，生成器G用于將超聲圖像XUS轉(zhuǎn)換為MRI風格圖像GXUS，生成器F用于將MRI圖像XMRI轉(zhuǎn)換為超聲風格圖像FXMRI，判別器DMRI用于判別圖像是否為真實的MRI圖像，判別器DUS用于判別圖像是否為真實的超聲圖像； 構(gòu)建包含對抗損失和循環(huán)一致性損失的總損失函數(shù)： LtotalG,F,DMRI,DUS＝LGANG,DMRI,XUS,XMRI+LGANF,DUS,XMRI,XUS+λLcycleG,F；其中，LGANG,DMRI,XUS,XMRI表示生成器G和判別器DMRI的對抗損失，LGANF,DUS,XMRI,XUS表示生成器F和DUS的對抗損失，LcycleG,F表示循環(huán)一致性損失，λ為權(quán)重參數(shù)，為期望操作符；用公式表示如下： 初始化訓(xùn)練參數(shù)，通過不斷更新判別器和生成器進行迭代訓(xùn)練直至總損失函數(shù)到達預(yù)設(shè)的訓(xùn)練輪數(shù)，得到最終對抗網(wǎng)絡(luò)模型； 利用生成器G將超聲圖像XUS轉(zhuǎn)換為MRI風格圖像GXUS，將其與MRI圖像XMRI進行對齊。

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)人北京大學第三醫(yī)院(北京大學第三臨床醫(yī)學院)，其通訊地址為：100191 北京市海淀區(qū)花園北路49號北京大學第三醫(yī)院；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)”。