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！

龙图腾网获悉苏州大学申请的专利一种基于多实例学习的肋骨骨折时间预测方法及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：CN120895217B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202511442219.1，技术领域涉及：G16H50/20；该发明授权一种基于多实例学习的肋骨骨折时间预测方法及系统是由石霏;张云旭;俞晓英;孙亚宁;夏文涛设计研发完成，并于2025-10-10向国家知识产权局提交的专利申请。

本一种基于多实例学习的肋骨骨折时间预测方法及系统在说明书摘要公布了：本发明涉及图像识别技术领域，公开了一种基于多实例学习的肋骨骨折时间预测方法及系统，包括：获取肋骨骨折的CT图像数据，对CT图像数据进行预处理，得到多实例切片图像；将多实例切片图像输入多尺度特征提取网络，分别提取四个不同尺度的多实例特征；对前三个尺度的多实例特征进行特征对齐处理，得到对齐后的多实例特征，并基于第四尺度的多实例特征生成实例证据值，根据实例证据值计算实例的贡献权重；根据贡献权重，将对齐后的多实例特征和第四尺度的多实例特征分别进行特征融合，得到四个不同尺度的包特征；将四个不同尺度的包特征进行拼接后输入包回归器，得到肋骨骨折时间的预测结果。实现骨折时间的精准预测，不依赖固定数量的图像。

本发明授权一种基于多实例学习的肋骨骨折时间预测方法及系统在权利要求书中公布了：1.一种基于多实例学习的肋骨骨折时间预测方法，其特征在于，包括： 获取肋骨骨折的CT图像数据，对所述CT图像数据进行预处理，得到多实例切片图像； 将所述多实例切片图像输入多尺度特征提取网络，分别提取四个不同尺度的多实例特征； 对前三个尺度的多实例特征进行特征对齐处理，得到对齐后的多实例特征，并基于第四尺度的多实例特征生成实例证据值，根据所述实例证据值计算实例的贡献权重； 根据所述贡献权重，将所述对齐后的多实例特征和所述第四尺度的多实例特征分别进行特征融合，得到四个不同尺度的包特征； 将所述四个不同尺度的包特征进行拼接后输入包回归器，得到肋骨骨折时间的预测结果； 将所述多实例切片图像输入多尺度特征提取网络，分别提取四个不同尺度的多实例特征包括，通过茎干层对所述多实例切片图像进行初步特征提取和尺寸压缩，其中茎干层包括4×4卷积层和下采样处理； 将茎干层输出的图像依次输入第一特征提取阶段、第二特征提取阶段、第三特征提取阶段以及第四特征提取阶段，每个特征提取阶段通过池化注意力模块对茎干层输出的图像进行处理，输出对应尺度的多实例特征，得到四个不同尺度的多实例特征； 所述对前三个尺度的多实例特征进行特征对齐处理，得到对齐后的多实例特征包括，将前三个尺度的多实例特征分别输入特征对齐模块； 通过可形变卷积对所述前三个尺度的多实例特征进行特征偏移量学习； 对特征偏移量学习后的特征依次进行层归一化和线性变换处理，得到对齐后的多实例特征； 所述基于第四尺度的多实例特征生成实例证据值，根据所述实例证据值计算实例的贡献权重包括，将所述第四尺度的多实例特征输入多层感知机，输出四组分布参数； 基于证据理论，根据所述四组分布参数计算每个实例对应的证据值； 通过证据损失函数对所述四组分布参数进行显性约束； 将所述每个实例对应的证据值进行归一化处理，得到各实例的贡献权重； 根据所述贡献权重，将所述对齐后的多实例特征和所述第四尺度的多实例特征分别进行特征融合，得到四个不同尺度的包特征包括，将所述贡献权重按大小排序，确定证据值最高的实例为主实例，其余实例为参考实例； 将主实例特征与参考实例特征通过实例特征交互模块进行深度交互整合； 将主实例特征与交互整合后的参考实例特征按照所述贡献权重进行加权累加； 分别对所述对齐后的多实例特征和所述第四尺度的多实例特征执行从将所述贡献权重按大小排序步骤到加权累加步骤，得到四个不同尺度的包特征。

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苏州大学，其通讯地址为：215000 江苏省苏州市吴江区久泳西路1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。