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！

龙图腾网获悉重庆大学申请的专利一种基于掩码的数字病理图像分类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：CN116486159B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202310457562.8，技术领域涉及：G06V10/764；该发明授权一种基于掩码的数字病理图像分类方法是由黄晟;张小先;唐文浩;朱翔;徐玲;葛永新;杨梦宁;张小洪设计研发完成，并于2023-04-26向国家知识产权局提交的专利申请。

本一种基于掩码的数字病理图像分类方法在说明书摘要公布了：本发明提出一种基于掩码的数字病理图像分类方法，MHIM‑MIL框架在训练阶段采用Siamese结构即孪生结构。该框架的主要组成部分是一个基于通用注意力的MIL模型，称为学生模型S·。学生模型被用于聚合实例特征。为了增加学生模型的判别能力并强制其关注难分类的实例，本框架引入了一个动量教师模型T·。教师模型主要用于挖掘困难实例，利用基于掩码操作的困难实例挖掘策略遮盖简单的实例，同时保留困难实例作为学生模型的输入。Siamese结构能够使得模型训练更加稳定和高效，并且具有较少的训练参数。在挖掘出困难实例后，所有被挖掘的实例特征都被输入到学生模型中，用于推断出包标签。

本发明授权一种基于掩码的数字病理图像分类方法在权利要求书中公布了：1.一种基于掩码的数字病理图像分类方法，其特征在于，包括如下步骤： S1:获取现有病理图像，每一张病理图像视为一个包，通过图像预处理操作后获得的图块被视为实例；若包中有包含肿瘤区域的实例，则该包为正包，否则为负包；令数据集表示已知类别的样本集合，其中，Bi表示一个包，Yi∈C代表第i个包对应的标签，C是类别标签集合，N是数据集中包的数量；令B＝{x1,…xi,…,xn}表示实例的集合，是实例特征的集合，其中Y＝{y1,…yi,…,yn},yi∈C是对应实例的标签，n是包中实例的数量； S2：构建孪生网络结构HIM-MIL，该孪生网络结构包括结构完全相同的教师模型和学生模型，教师模型和学生模型均采用基于通用注意力的MIL模型； HIM-MIL框架可以定义为： S3：学生模型的训练： 将现有病理图像依次送入教师模型挖掘困难实例；学生模型使用教师模型挖掘的困难实例进行训练，更新参数，当学生模型的损失不再变化时，得到训练好的学生模型； 所述学生模型参数更新的过程中教师模型也在更新参数； 所述教师模型T·挖掘困难实例的步骤如下： S31：将给定实例的完整序列作为T·的输入，通过T·的注意力网络得到实例的注意力值，如下所示： A＝[a1,…,a2,…,an]＝TZ6 其中，A表示实例注意力序列，ai表示第i个实例的注意力值，TZ表示实例特征Z经过教师模型得到的实例注意力序列； S32：然后对实例注意力序列A进行排序操作，按降序排列来获取注意力序列的索引： I＝[i1,i2,…,in]＝SortA7 其中，i1是注意力分数最高的实例的索引，in是注意力分数最低的实例的索引； S33：利用索引集合I，基于掩码的困难例挖掘策略来挖掘困难实例： 定义一个n维的二进制向量M＝[m1,…,mi,…,mn]，用于编码实例的掩码标记，其中mi∈{0,1}；如果mi＝1，则表示第i个实例未被掩码；如果mi＝0，则表示第i个实例被掩码； 通过掩码策略获得掩码后的新的掩码标记在得到后，即可获得教师模型T·挖掘的困难实例 其中，是未被掩码实例的数量； S4：检测，将一张待预测的病理图像经过图像预处理操作后送入训练好的学生模型，输出即为该待预测的病理图像的预测标签。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174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”。