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！

龙图腾网获悉福州大学;福建医科大学附属协和医院申请的专利基于图卷积网络的动态图像甲状腺癌危险分层预测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：CN116596890B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202310574404.0，技术领域涉及：G06T7/00；该发明授权基于图卷积网络的动态图像甲状腺癌危险分层预测方法是由童同;李志强;周小根;薛恩生;陈舜;郑梅娟设计研发完成，并于2023-05-22向国家知识产权局提交的专利申请。

本基于图卷积网络的动态图像甲状腺癌危险分层预测方法在说明书摘要公布了：本发明提出基于图卷积网络的动态图像甲状腺癌危险分层预测方法，包括以下步骤；步骤一、采用图像滤波增强和超分辨率网络来对超声图像进行预处理，设计用于甲状腺超声图像分割的基于图卷积神经网络结构的算法，建立对应的网络模型进行训练；步骤二、以基于人工智能技术的动态超声影像组学的特征提取方法，对动态的视频序列进行特征提取，并引入深度学习方法来融合动态的超声影像组学，使提取的影像组学特征更为丰富；步骤三、利用多分支神经网络模型，综合多种不同模态的数据，通过挖掘不同模态数据互补信息来计算多模态生物标记物，以此建立可指导临床决策的甲状腺癌危险分层预测模型；本发明能够提高甲状腺癌危险分层的准确性和精度。

本发明授权基于图卷积网络的动态图像甲状腺癌危险分层预测方法在权利要求书中公布了：1.基于图卷积网络的动态图像甲状腺癌危险分层预测方法，用于甲状腺结节筛查的超声检查影像结果分析，其特征在于：所述预测方法包括以下步骤； 步骤一、采用图像滤波增强和超分辨率网络来对超声图像进行预处理，设计用于甲状腺超声图像分割的基于图卷积神经网络结构的算法，建立对应的网络模型进行训练； 步骤二、以基于人工智能技术的动态超声影像组学的特征提取方法，对动态的视频序列进行特征提取，并引入深度学习方法来融合动态的超声影像组学，使提取的影像组学特征更为丰富； 步骤三、利用多分支神经网络模型，综合多种不同模态的数据，通过挖掘不同模态数据互补信息来计算多模态生物标记物，以此建立可指导临床决策的甲状腺癌危险分层预测模型； 所述步骤一中用于甲状腺超声图像分割的基于图卷积神经网络结构的算法，采用解剖先验信息约束的图卷积神经网络分割框架，即利用超声图像中甲状腺结构的空间相关性来提取语义特征表示，通过引入甲状腺的先验知识来获取甲状腺与相邻组织之间结构的依赖关系从而提升网络的分割性能，提升甲状腺病灶分割的准确率； 在对网络模型的分割阶段进行训练时，包括以下步骤； 步骤A1、在没有图卷积模块的情况下训练主干网络； 步骤A2、将主干网络的训练权重作为预训练权重，并融入图卷积模块一同训练网络； 在图卷积神经网络的训练中，首先获取甲状腺的解剖先验信息，来学习甲状腺的构造及其特征；然后提取这些解剖先验信息并建模，再根据形状、位置参数设计损失函数； 再结合这些信息融入图卷积神经网络模型，设计解剖特征约束的图卷积神经网络分割模型； 通过在甲状腺图像分割中使用图卷积来提高对图像中甲状腺结节部位的分割性能，具体方法为： 步骤B1、利用卷积神经网络最后一层的输出作为图卷积节点的输入，构建图节点，并利用节点的相似性构建图的边，将其一同输入到图卷积神经网络中； 步骤B2、通过计算损失和回传梯度，迭代网络参数，完成了基于图卷积分割网络模型的训练，使图卷积的形式可以扩展分割网络的感受野，有效结合图像的全局和局部信息以避免局部位置信息的损失； 步骤B3、将图卷积神经网络分别与多个其它卷积神经网络结构相结合，将结合其它卷积神经网络结构后设计的图卷积神经网络融入到网络中进行对比，根据对比结果进一步调整和改进图卷积神经网络的核心参数，以提高甲状腺结节分割的性能；所述多个其它卷积神经网络结构包括U-net、FCN、SegNet； 所述步骤二中用动态的视频序列来做超声影像组学的特征提取，以获取病灶全貌超声征象，以及病灶与周边组织结构的毗邻关系； 步骤二对动态的视频序列进行特征提取为对动态图像进行的特征提取，具体为：在动态图像的特征提取时，基于SwinTransformer网络的编码-解码的结构，使用双路Transformer结构来保证时间上的一致性从而提取动态图像特征；将像素级特征解码为每个帧的对象级表示，在骨干特征进入Transformer解码器之前，应用一个线性嵌入层，将其从骨干维映射到解码器隐藏维；再将其空间和时间维度平展，以便将其送入Transformer解码器；视频序列特征提取包括四个阶段，在每个阶段对视频序列的空间维度进行下采样以实现特征提取； 步骤三中，多种不同模态的数据包括动态图像、病例类型数据和基因型数据；将动态图像的输入数据、病例类型数据和基因型数据三种不同模态的数据输入到分类网络中；进行全局平均池化GAP操作，在经过全连接FC层后给出甲状腺癌的分层预测结果，减轻医生的阅片时间和诊断难度。

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福州大学;福建医科大学附属协和医院，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。