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！

龙图腾网获悉天津工业大学申请的专利一种基于多视角图像特征融合的脑膜瘤自动分级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：CN116563564B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202310401983.9，技术领域涉及：G06V10/44；该发明授权一种基于多视角图像特征融合的脑膜瘤自动分级方法是由白华;张琢;马全锋;杨勇;高强设计研发完成，并于2023-04-17向国家知识产权局提交的专利申请。

本一种基于多视角图像特征融合的脑膜瘤自动分级方法在说明书摘要公布了：本发明公开了一种基于多视角图像特征融合的脑膜瘤自动分级方法，包括如下步骤：S1：针对模型输入端，将Dicom格式数据的病变图像转换成PNG数据后无需进行任何图像增强以及数据扩增处理，作为三个通路输入进多视角图像特征融合模型；S2：去掉ResNet的全连接层以及最大池化，作为每个视图特征提取的基础网络，引入迁移学习，并在模型上增加归一化的注意力模块抑制相关视图的不显著特征，以提取到每个视图最佳的特征信息；S3：在对每个视图提取的特征信息进行融合后，进行特征再提取，进一步过滤干扰信息，本发明利用三个不同通路的预训练残差神经网络模型和一个融合网络组成模型，端到端地训练融合模型，可以达到精准区分低级别脑膜瘤和高级别脑膜瘤的效果。

本发明授权一种基于多视角图像特征融合的脑膜瘤自动分级方法在权利要求书中公布了：1.一种基于多视角图像特征融合的脑膜瘤自动分级方法，其特征在于，包括如下步骤： S1：针对模型输入端，将Dicom格式数据的病变图像转换成PNG数据后无需进行任何图像增强以及数据扩增处理，作为三个通路输入进多视角图像特征融合模型； S2：去掉ResNet的全连接层以及最大池化，作为每个视图特征提取的基础网络，引入迁移学习，并在模型上增加归一化的注意力模块抑制相关视图的不显著特征，以提取到每个视图最佳的特征信息；不同方向的特征提取采用不同深度的网络，并且针对其中两个方向加入NAM通道注意力机制模块，具体步骤为： S21：横截面输入的支路网络采用浅层网络ResNet18，并在网络的末端去掉全连接层； S22：在冠状面和矢状面这两个输入通路中，采用深层网络ResNet101，并且在每个Layer后加入NAM通道注意力机制模块来抑制各自通路中不显著的特征信息，在网络的末端去掉全连接层； S23：在冠状面和矢状面提取特征后，通过转换层，由7×7卷积层组成，并且加入批量归一化层以及Relu激活函数，卷积层用于将上层特征降维，归一化层用以增强网络反向传播的能力，增加激活函数为了更好地提高神经网络的非线性； S3：在对每个视图提取的特征信息进行融合后，进行特征再提取，进一步过滤干扰信息；采用两种不同特征融合方法的组合，并在两种融合后设计不同的特征再提取层，具体步骤为： S31：对三个视角图像提取的特征信息分别采用cancat和add两种不同的特征融合方法，concat方法是三个视图的特征信息拼接起来，不改变每个视图的单个特征，融合后的特征通道数为单一视图特征的三倍，add方法是将三个视图的特征信息对应元素相加，得到的特征通道数等于单一视图特征通道数，两种融合方式后经过卷积的表达式如下： ； ； 式中：Fc代表concat方法的输出，Fa代表add方法的输出，Xi、Yi和Zi分别为每个并行通路的输入，K表示卷积核，c表示输入特征的通道数； S32：在concat和add后，分别设计特征再提取层A和特征再提取层B，特征再提取层分别由1×1卷积层、3×3卷积层和1×1卷积层串联组成，A的卷积核数分别为1024、1024和512，B的卷积核数分别为256、256和512； S33：在经过不同特征再提取层A和B后，通过concat方法将再提取的特征拼接，之后通过两层全连接层进行分级检测。

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天津工业大学，其通讯地址为：300300 天津市西青区宾水西道399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。