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)恭喜脈得智能科技(無錫)有限公司申請的專利基于多級加權(quán)神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)定位方法獲國家發(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：CN114494216B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-13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：202210110301.4，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)基于多級加權(quán)神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)定位方法是由趙星;趙婉君;石一磊;牟立超;朱曉香;張雷;朱精強(qiáng)設(shè)計研發(fā)完成，并于2022-01-29向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于多級加權(quán)神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)定位方法在說明書摘要公布了：本發(fā)明涉及一種基于多級加權(quán)神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)定位方法。構(gòu)建基于PyTorch深度學(xué)習(xí)框架的甲狀腺結(jié)節(jié)定位模型，其中，所構(gòu)建的甲狀腺結(jié)節(jié)定位模型包括結(jié)節(jié)輪廓粗定位網(wǎng)絡(luò)模型以及結(jié)節(jié)輪廓精定位網(wǎng)絡(luò)模型；對任一待識別定位的甲狀腺超聲圖像，對所述甲狀腺超聲圖像進(jìn)行預(yù)處理，并將預(yù)處理后的甲狀腺超聲圖像依次經(jīng)結(jié)節(jié)輪廓粗定位網(wǎng)絡(luò)模型以及結(jié)節(jié)輪廓精定位網(wǎng)絡(luò)模型分割定位處理，以得到甲狀腺結(jié)節(jié)位置輪廓特征圖，并根據(jù)所述甲狀腺結(jié)節(jié)位置輪廓特征圖，在所識別定位的甲狀腺超聲圖像上描繪出甲狀腺結(jié)節(jié)的位置與輪廓。本發(fā)明能對甲狀腺超聲圖像上的結(jié)節(jié)實(shí)現(xiàn)快速準(zhǔn)確的定位，使診斷結(jié)果更加可靠。

本發(fā)明授權(quán)基于多級加權(quán)神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)定位方法在權(quán)利要求書中公布了：1.一種基于多級加權(quán)神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)定位方法，其特征是：構(gòu)建基于PyTorch深度學(xué)習(xí)框架的甲狀腺結(jié)節(jié)定位模型，其中，所構(gòu)建的甲狀腺結(jié)節(jié)定位模型包括結(jié)節(jié)輪廓粗定位網(wǎng)絡(luò)模型以及結(jié)節(jié)輪廓精定位網(wǎng)絡(luò)模型；對任一待識別定位的甲狀腺超聲圖像，對所述甲狀腺超聲圖像進(jìn)行預(yù)處理，并將預(yù)處理后的甲狀腺超聲圖像依次經(jīng)結(jié)節(jié)輪廓粗定位網(wǎng)絡(luò)模型以及結(jié)節(jié)輪廓精定位網(wǎng)絡(luò)模型分割定位處理，以得到甲狀腺結(jié)節(jié)位置輪廓特征圖，并根據(jù)所述甲狀腺結(jié)節(jié)位置輪廓特征圖，在所識別定位的甲狀腺超聲圖像上描繪出甲狀腺結(jié)節(jié)的位置與輪廓；結(jié)節(jié)輪廓粗定位網(wǎng)絡(luò)模型對預(yù)處理后的甲狀腺超聲圖像處理時，包括如下步驟：步驟10、將待識別定位的甲狀腺超聲圖像預(yù)處理后，以得到特征圖一，并將所得到的特征圖一輸入到結(jié)節(jié)輪廓粗定位網(wǎng)絡(luò)模型，所述結(jié)節(jié)輪廓粗定位網(wǎng)絡(luò)模型利用步長為2的卷積操作實(shí)現(xiàn)下采樣，并使用雙線性插值方法逐步擴(kuò)增特征圖，最后得到通道數(shù)為2的特征圖二；步驟11、對特征圖二內(nèi)兩個通道內(nèi)的元素值進(jìn)行比較，以得到表征結(jié)節(jié)位置指示特征的特征圖三；步驟12、根據(jù)特征圖三，確定粗結(jié)節(jié)定位輪廓以及與所確定粗結(jié)節(jié)定位輪廓相適配的輪廓外擴(kuò)矩形，根據(jù)所確定的輪廓外擴(kuò)矩形在甲狀腺超聲圖像上截取圖像塊，以利用所截取的圖像塊生成特征圖四，并將所述特征圖四輸入到結(jié)節(jié)輪廓精定位網(wǎng)絡(luò)模型；所述結(jié)節(jié)輪廓精定位網(wǎng)絡(luò)模型包括結(jié)節(jié)輪廓第一定位子網(wǎng)絡(luò)、結(jié)節(jié)輪廓第二定位子網(wǎng)絡(luò)以及結(jié)節(jié)輪廓第三定位子網(wǎng)絡(luò)，其中，通過結(jié)節(jié)輪廓第一定位子網(wǎng)絡(luò)對特征圖四處理后得到通道數(shù)為2的特征圖五；結(jié)節(jié)輪廓第二定位子網(wǎng)絡(luò)對特征圖五和特征圖四進(jìn)行處理，以得到通道數(shù)為2的特征圖六；結(jié)節(jié)輪廓第三定位子網(wǎng)絡(luò)對特征圖六和特征圖四進(jìn)行處理，以得到通道數(shù)為2的特征圖七；結(jié)節(jié)輪廓第二定位子網(wǎng)絡(luò)對特征圖五和特征圖四進(jìn)行處理時，包括如下步驟：步驟20、將特征圖四均勻地分割為特征子圖Fii＝1、2、3、4，對四塊特征圖依次處理后得到四塊通道數(shù)為2的特征圖M′ii＝1、2、3、4；步驟21、根據(jù)特征圖四分割得到特征子圖Fii＝1、2、3、4的方式對特征圖五進(jìn)行均勻分割，以得到特征子圖Nii＝1、2、3、4，并將特征子圖Nii＝1、2、3、4與特征圖M′ii＝1、2、3、4按通道拼接，以得到通道數(shù)為4的特征拼接圖；步驟22、對特征拼接圖進(jìn)行特征融合，以得到通道數(shù)為2的特征圖Pi，其中，對特征圖Pi，任一特征點(diǎn)的第一通道特征值表示所述特征點(diǎn)為非甲狀腺結(jié)節(jié)的概率值，任一特征點(diǎn)的第二通道特征值表示所述特征點(diǎn)為甲狀腺結(jié)節(jié)的概率值；步驟23、對特征圖Pi的任一特征點(diǎn)，計算所述特征點(diǎn)預(yù)測結(jié)果的可信度s，并根據(jù)所有特征點(diǎn)的預(yù)測結(jié)果的可信度s得到預(yù)測結(jié)果可信度特征圖Pic；根據(jù)預(yù)測結(jié)果可信度特征圖的計算確定方式，對特征子圖Nii＝1、2、3、4計算得到預(yù)測結(jié)果可信度特征圖Nic；步驟24、利用預(yù)測結(jié)果可信度特征圖Pic以及預(yù)測結(jié)果可信度特征圖Nic，計算得到優(yōu)化排序特征圖Cii＝1、2、3、4；步驟25、將優(yōu)化排序特征圖Ci內(nèi)的特征值按從大到小排列，確定前k個特征點(diǎn)的坐標(biāo)；根據(jù)所確定前k個特征點(diǎn)的坐標(biāo)，對特征子圖Nii＝1、2、3、4的特征值采用加權(quán)求和方式處理，以輸出特征子圖Mii＝1、2、3、4；步驟26、根據(jù)特征圖四分割得到特征子圖Fii＝1、2、3、4的坐標(biāo)參數(shù)，將特征子圖Mii＝1、2、3、4進(jìn)行位置拼接，以得到通道數(shù)為2，大小為128*128的特征圖六；結(jié)節(jié)輪廓第三定位子網(wǎng)絡(luò)對特征圖六和特征圖四進(jìn)行處理，以得到通道數(shù)為2的特征圖七時，具體包括如下步驟：步驟30、將特征圖四均勻地分割為特征子圖，對所述特征子圖F′jj＝1、2、3、…、16依次處理后得到十六塊通道數(shù)為2的特征圖M′jj＝1、2、3、…、16；步驟31、根據(jù)特征圖四分割得到特征子圖F′jj＝1、2、3、…、16的方式對特征圖六進(jìn)行均勻分割，以得到特征子圖Njj＝1、2、3、…、16，并將特征子圖Njj＝1、2、3、…、16與特征圖M′jj＝1、2、3、…、16按通道拼接，以得到通道數(shù)為4的特征拼接圖；步驟32、對上述特征拼接圖進(jìn)行特征融合，以得到通道數(shù)為2的特征圖P′jj＝1、2、3、…、16，其中，對特征圖P′jj＝1、2、3、…、16，任一特征點(diǎn)的第一通道特征值表示所述特征點(diǎn)為非甲狀腺結(jié)節(jié)的概率值，任一特征點(diǎn)的第二通道特征值表示所述特征點(diǎn)為甲狀腺結(jié)節(jié)的概率值；步驟33、對特征圖P′jj＝1、2、3、…、16的任一特征點(diǎn)，計算所述特征點(diǎn)預(yù)測結(jié)果的可信度s，并根據(jù)所有特征點(diǎn)的預(yù)測結(jié)果的可信度s得到預(yù)測結(jié)果可信度特征圖根據(jù)預(yù)測結(jié)果可信度特征圖的計算確定方式，對特征子圖Njj＝1、2、3、…、16計算得到預(yù)測結(jié)果可信度特征圖步驟34、利用預(yù)測結(jié)果可信度特征圖以及預(yù)測結(jié)果可信度特征圖計算得到優(yōu)化排序特征圖C′jj＝1、2、3、…、16；步驟35、將優(yōu)化排序特征圖C′j內(nèi)的特征值按從大到小排列，確定前q個特征點(diǎn)的坐標(biāo)；根據(jù)所確定前q個特征點(diǎn)的坐標(biāo)，對特征子圖Njj＝1、2、3、…、16的特征值采用加權(quán)求和方式處理，以輸出特征子圖Mjj＝1、2、3、…、16；步驟36、根據(jù)特征圖四分割得到特征子圖F′jj＝1、2、3、…、16的坐標(biāo)參數(shù)，將特征子圖Mjj＝1、2、3、…、16進(jìn)行位置拼接，以得到通道數(shù)為2且大小為128*128的特征圖七。

如需購買、轉(zhuǎn)讓、實(shí)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)人脈得智能科技(無錫)有限公司，其通訊地址為：214000 江蘇省無錫市濱湖區(qū)馬山梅梁路88號二樓西；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)”。