买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利一种T2加权影像特征生成动态增强影像特征的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114581701B 。

龙图腾网通过国家知识产权局官网在2025-07-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210174552.9，技术领域涉及：G06V10/764；该发明授权一种T2加权影像特征生成动态增强影像特征的方法是由范明;楼俊鸿;厉力华设计研发完成，并于2022-02-24向国家知识产权局提交的专利申请。

本一种T2加权影像特征生成动态增强影像特征的方法在说明书摘要公布了：一种T2加权影像特征生成动态增强影像特征的方法，包括：采集乳腺癌T2加权影像；对采集得到的T2加权影像进行乳房分割处理，得到乳房影像；对乳房影像利用训练好的卷积神经网络提取T2加权影像特征；基于T2加权影像特征，利用训练好的深度生成对抗网络，生成动态增强影像特征；基于新生成的动态增强影像特征进行乳腺癌病理信息分类，病理信息分类包含：良恶性分类、分子分型分类等。相对于传统的直接基于T2加权影像特征的病理信息分类方法，本发明生成的动态增强影像特征具有更高的灵敏度，相对于基于动态增强影像特征的病理信息分类方法，本发明成像成本低，扫描时间快，是一种更加低廉快捷的诊断方法。

本发明授权一种T2加权影像特征生成动态增强影像特征的方法在权利要求书中公布了：1.一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，包括以下步骤： S1：构建由乳腺癌影像组成的乳腺癌数据集，乳腺癌数据集中的每个样本包含3种类型的数据：DCE-MRI影像，T2WI影像，样本的类别标签； S2：对乳腺癌数据集中乳腺癌影像进行数据预处理，针对每一张DCE-MRI和T2WI影像，利用乳房分割技术对乳房进行分割，去除影像中的胸腔和皮肤部分，仅保留有病灶的单侧乳房； S3：对于S2分割完成后获得的乳房数据集，将DCE-MRI影像的六个序列的图像在通道维度上进行拼接，获得6通道的DCE-MRI影像，将T2WI影像在通道维度上复制三份，获得3通道的T2WI影像； S4：数据划分，通过分层抽样，将乳房数据集划分为训练集和测试集； S5：基于训练集中的数据，利用基于卷积神经网络的影像分类方法，进行乳腺癌分类预训练,得到DCE-MRI影像特征提取器和T2WI影像特征提取器； S6：对于S3获得的6通道DCE-MRI影像和3通道T2WI影像，利用S5中获得的DCE-MRI影像特征提取器和T2WI影像特征提取器分别提取DCE-MRI影像特征和T2WI影像特征； S7：对于S6获得的DCE-MRI影像特征数据集和T2WI影像特征数据集，利用基于深度生成对抗网络的特征生成方法，进行DCE-MRI影像特征生成训练，基于T2WI影像特征生成DCE-MRI影像特征； S8：在测试集上，测试基于T2WI影像特征生成的新DCE-MRI影像特征的病理信息诊断性能； 所述乳腺癌分类预训练的具体步骤如下： A1：向特征提取器传入图像，推理获得图像的特征z； A2：将图像的特征z，传入分类器，获得图像的预测值 A3：结合图像的真实标签y，计算模型的分类损失，其损失函数为： A4：根据分类损失L，利用梯度下降的方法对特征提取器和分类器里的参数进行更新； A5：重复上述步骤A1-A4，并利用早停机制保留模型训练过程中的参数； A6：乳腺癌影像数据集存样本不均衡性，采用AUC为模型的评价指标对模型进行评价；所述AUC的评价方式为： 其中i为一个属于阳性的样本，ranki表示将测试集中的所有样本的概率按照从高到低进行排序，样本i排在第ranki位置，M为阳性样本的个数，N为阴性样本的个数； 所述步骤S5包括如下步骤： S51：基于DCE-MRI影像数据，使用基于卷积神经网络的影像分类方法，训练DCE-MRI影像分类网络，获得DCE-MRI影像的特征提取器和分类器； S52：基于T2WI影像数据，使用基于卷积神经网络的影像分类方法，训练T2WI影像分类网络，获得T2WI影像的特征提取器和分类器； 所述S7中的生成对抗网络包括编码器，解码器，生成器和鉴别器，所述编码器和解码器构成一组自编码器，所述生成器和鉴别器构成了生成对抗网络； 所述生成对抗网络的具体训练步骤如下： S71：将T2WI影像特征输入到自编码器结构中，训练自编码器，其损失函数为LAE＝MSEx,DecEncx 其中MSE为均方误差，Dec为解码器网络，Enc为编码器网络，x为T2WI影像的特征，基于损失函数LAE，利用Adam优化器对自编码器网络的参数进行更新； S72：对于T2WI影像特征，利用编码器对其进行编码，获得隐变量z； S73：将隐变量z输入生成器中，生成新的伪DCE-MRI影像特征Xf； S74：将真实的DCE-MRI影像特征Xr和基于T2WI影像特征生成的伪DCE-MRI影像特征Xf输入到判别器中，计算损失函数： LD＝DXf-DXr 其中D为鉴别器，基于损失函数LD，利用Adam优化器对鉴别器的参数进行更新； S75：固定鉴别器D的参数，将隐变量z输入到生成器中生成伪DCE-MRI影像特征Xf，计算损失函数： LG＝-DGz 其中G为生成器，基于损失函数LG，利用Adam优化器对生成器的参数进行更新； S76：重复上述步骤S71～S75，对特征生成模块的编码器，解码器，生成器，鉴别器的参数进行更新，直到所有参数收敛并不再更新，生成对抗网络到此训练完成。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘新区白杨街道2号大街1158号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。