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！

龙图腾网获悉中山大学申请的专利基于多尺度冗余卷积的肺部结节假阳性鉴别方法与系统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：CN115358985B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202210985010.X，技术领域涉及：G06T7/00；该发明授权基于多尺度冗余卷积的肺部结节假阳性鉴别方法与系统是由周凡;林格;林谋广设计研发完成，并于2022-08-17向国家知识产权局提交的专利申请。

本基于多尺度冗余卷积的肺部结节假阳性鉴别方法与系统在说明书摘要公布了：本发明公开了一种基于多尺度冗余卷积的肺部结节假阳性鉴别方法与系统。首先从肺部结节CT影像数据库中得到训练集；将训练集中的数据输入多尺度冗余卷积神经网络的冗余卷积层、Maxout模块得到关键特征图；将关键特征图输入到多尺度卷积层，得到多尺度特征图；将多尺度特征图依次输入激活函数、池化层、全连接层，经过Softmax函数的处理得出样本为假阳性样本以及阳性样本的概率；概率即可判断是否为肺部结节假阳性样本。本发明可以自动对不同种类的肺部结节的输入数据筛选关键特征，从而更加有效地从混合数据集中训练出预测网络；本发明可以自适应不同实际大小肺部结节的输入数据，在提高准确率的同时，不需要按照不同的样本尺寸训练多个网络模型。

本发明授权基于多尺度冗余卷积的肺部结节假阳性鉴别方法与系统在权利要求书中公布了：1.一种基于多尺度冗余卷积的肺部结节假阳性鉴别方法，其特征在于，所述方法包括： 从肺部结节CT影像数据库中取得CT影像，经过肺部结节检测模型后，得出CT影像中肺部结节预选区域的坐标，然后根据坐标从CT影像中获取大小为96×96×96的预选区域样本，并进行真假阳性样本标注，同时对标注后的样本进行数据增强，从而得到训练多尺度冗余卷积神经网络使用的训练集； 将所述训练集中的数据输入所述多尺度冗余卷积神经网络，首先经过冗余卷积层的处理，获得冗余特征后，再经过Maxout模块提取关键特征，得到关键特征图； 将所述关键特征图输入到所述多尺度冗余卷积神经网络中的多尺度卷积层，经过多尺度卷积操作提取多粒度的特征图后，对所得的所有特征图进行拼接得到多尺度特征图； 将所述多尺度特征图依次输入所述多尺度冗余卷积神经网络中的激活函数以及池化层后，对输出的数据进行拉伸，得到一个一维的列向量，将得到的列向量作为全连接层的输入，经过Softmax函数的处理得出样本为假阳性样本以及阳性样本的概率； 根据所述假阳性样本以及阳性样本的概率计算交叉熵损失，并利用交叉熵损失函数训练所述多尺度冗余卷积神经网络，最终得到训练好的肺部结节假阳性样本预测模型； 用户输入待鉴别的CT影像，经过肺部结节检测模型后，得出待鉴别CT影像中肺部结节预选区域的坐标，然后根据坐标从待鉴别CT影像中获取大小为96×96×96的预选区域样本，再输入到所述肺部结节假阳性样本预测模型中，根据输出的假阳性样本以及阳性样本的概率，判断输入的待鉴别CT影像是否为肺部结节假阳性样本； 具体地，所述将所述训练集中的数据输入所述多尺度冗余卷积神经网络，首先经过冗余卷积层的处理，获得冗余特征后，再经过Maxout模块提取关键特征，得到关键特征图，具体为： 多尺度冗余卷积神经网络的冗余卷积层由K×C1×5×5×5的卷积核组成，其中K代表结节类别数，即实性结节、纯磨玻璃结节、混合磨玻璃结节三个类别，因此K取3，C1为经过冗余卷积层处理后的通道数，卷积核均采用5×5×5的大小； 由冗余卷积层提取的特征图包含K组冗余特征，使用Maxout模块从冗余特征中提取关键特征，其公式为： 其中，G表示冗余卷积层提取的特征图，c表示特征图的通道且c∈[1,C1]，Fcx表示关键特征图Fx的第c个通道，Gj,cx表示K组冗余特征图Gx的第c个通道，max函数从K组冗余特征图中遍历C1维的通道并从每一组特征中筛选出强度最高的特征； 上述式子运行C1遍，从而提取出一组C1维度的关键特征图Fx； 具体地，所述将所述关键特征图输入到所述多尺度冗余卷积神经网络中的多尺度卷积层，经过多尺度卷积操作提取多粒度的特征图后，对所得的所有特征图进行拼接得到多尺度特征图，具体为： 多尺度卷积操作包含D组卷积层，将所述关键特征图分别输入到每组卷积层，得到相同大小的特征图；记D为3，即共得到3组特征图；每组卷积层中使用相同大小的卷积核，且大小分别为：3×3×3、5×5×5、9×9×9；3×3×3卷积操作包含四层卷积层，卷积核的数目分别为：16、32、64、128；5×5×5卷积操作包含两层卷积层，卷积核的数目分别为32、128；9×9×9的卷积操作包含一层卷积层，卷积核的数目为128； 将所述3组特征图锚定第一个维度作为拼接基准进行拼接： 其中，F1、F2、F3分别表示三个尺度的卷积层得到的特征图，h表示特征图的某一个维度，且h∈[0,128；通过拼接三个128维的特征图，得到一个384维的多尺度特征图作为输出； 具体地，所述将所述多尺度特征图依次输入所述多尺度冗余卷积神经网络中的激活函数以及池化层后，对输出的数据进行拉伸，得到一个一维的列向量，将得到的列向量作为全连接层的输入，经过Softmax函数的处理得出样本为假阳性样本以及阳性样本的概率，具体为： 所述多尺度冗余卷积神经网络中的激活函数步骤采用ReLU非线性激活函数，该函数会将小于0的数据置0，而大于等于0的数据不会改变；所述多尺度冗余卷积神经网络中的池化层采用2×2×2的平均池化操作； 经过激活函数以及池化层后输出的数据在经过拉伸后可以得到一个1×V的列向量，全连接层将会对这个列向量进行卷积处理，并映射为不同样本类别的概率；共使用两个全连接层进行处理，第一个全连接层使用的卷积核为V×64，并将输入数据转化为1×64的列向量；第二个全连接层使用的卷积核为64×2，并将输入数据转化为1×2的列向量，且向量中的两个数值分别表示输入样本数据为假阳性样本以及阳性样本的概率权重数值；将得到的两个数值经过Softmax函数处理后，即可得出假阳性样本以及阳性样本的概率。

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中山大学，其通讯地址为：510006 广东省广州市海珠区新港西路135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”。

以上内容由龙图腾AI智能生成。