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！

龙图腾网获悉厦门大学申请的专利基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置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：CN115953619B 。

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：202211563888.0，技术领域涉及：G06V10/764；该发明授权基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置是由陈忠;林杰;杨钰设计研发完成，并于2022-12-07向国家知识产权局提交的专利申请。

本基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置在说明书摘要公布了：本发明公开了一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置，用预训练的神经网络提取特征映射，解决训练集的数据量过小导致的深度学习网络模型可能存在的过拟合问题。并提出了一种子空间分解方法，将特征向量分解为两个子空间，揭示两个子空间在CT图像诊断任务中的作用。利用含有关键特征的子空间构建变换矩阵，将特征映射降维，不仅去除了冗余特征，降低了算法的计算成本，也提高了模型的分类性能。最后通过科学的阈值设置方式，降低了误诊概率，并引入评估指标，为辅助诊断提供参考。

本发明授权基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置在权利要求书中公布了：1.一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法，其特征在于，包括以下步骤： S1，构建正常类训练集{xN}和新冠患者训练集{xA}，通过深度学习网络模型使用所述正常类训练集{xN}和新冠患者训练集{xA}分别构建正常类的高斯模型组GN和新冠患者的高斯模型组GA，具体包括： S11，基于训练集的特征映射{fi}，计算对应的均值向量和协方差矩阵对协方差矩阵进行主成分分析，得到特征向量矩阵V和特征值矩阵D，其中，特征值矩阵D是以特征值λi,i∈[1,NF]为对角元素的对角矩阵； S12，通过设置分界点将特征值λi分成两组：和将对应的特征向量空间分成两个子空间：显著特征子空间Φ1和不显著特征子空间Φ2；子空间分界点的估计方法为： 其中，mr为协方差矩阵的秩，λmed为特征值的中位数，特征向量矩阵V的前m个特征向量属于显著特征子空间Φ1，其余特征向量属于不显著特征子空间Φ2； S13，将不显著特征子空间Φ2构造成一个变换矩阵，对于每个特征映射，左乘变换矩阵获得降维后的特征映射降维后特征映射的均值向量和协方差矩阵表示为： 其中，Ns表示训练集样本数； S14，分别使用所述正常类训练集{xN}和新冠患者训练集{xA}进行步骤S11-S13，通过所述深度学习网络模型的每层网络提取特征映射构建高斯模型，分别得到所述正常类的高斯模型组和新冠患者的高斯模型组其中，s表示所述深度学习网络模型的网络层数； S2，获取待分类CT图像集{y}，分别计算所述待分类CT图像集{y}通过所述深度学习网络模型得到的降维后特征映射与所述正常类的高斯模型组GN中每层高斯模型之间的马氏距离以及所述待分类CT图像集{y}通过所述深度学习网络模型得到的降维后特征映射与所述新冠患者的高斯模型组GA中每层高斯模型之间的马氏距离，得到第一马氏距离和第二马氏距离 S3，根据所述正常类训练集{xN}和新冠患者训练集{xA}在所述正常类的高斯模型组GN和新冠患者的高斯模型组GA上的马氏距离得到正常类的判定阈值TN和新冠患者的判定阈值TA； S4，根据所述正常类的判定阈值TN和新冠患者的判定阈值TA以及所述第一马氏距离和第二马氏距离得到正常类的分类指标和新冠患者的分类指标，根据所述正常类的分类指标和新冠患者的分类指标确定分类结果。

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厦门大学，其通讯地址为：361000 福建省厦门市思明南路422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。