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！

龙图腾网获悉武汉大学申请的专利一种基于掩码自监督学习的宫颈OCT图像分类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：CN116188901B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202310097626.8，技术领域涉及：G06V10/774；该发明授权一种基于掩码自监督学习的宫颈OCT图像分类方法及系统是由马于涛;王庆彬;张燕;穆雪峰设计研发完成，并于2023-01-28向国家知识产权局提交的专利申请。

本一种基于掩码自监督学习的宫颈OCT图像分类方法及系统在说明书摘要公布了：本发明公开了一种基于掩码自监督学习的宫颈OCT图像分类方法及系统，首先通过掩码图像生成和对比学习相结合的自监督学习网络获得层次化Transformer分类模型的预训练权重；然后使用有标签的数据对层次化Transformer分类模型进行监督训练获得最终的权重；接着利用分类模型对三维宫颈OCT影像中的所有二维OCT图像进行分类；最后根据OCT影像中所有OCT图像的类别标签，得到分类结果。本发明通过使用将掩码生成模型和对比学习相结合的自蒸馏模型，有效利用大量的无标签宫颈OCT图像进行自监督预训练，缓解了监督学习需要大量标签数据的问题，并且提高了模型的性能。通过使用类别指定的混合裁剪数据增强方式，提高了模型对高级别病变图像的识别能力。

本发明授权一种基于掩码自监督学习的宫颈OCT图像分类方法及系统在权利要求书中公布了：1.一种基于掩码自监督学习的宫颈OCT图像分类方法，其特征在于，包括以下步骤： 步骤1：通过掩码图像生成和对比学习相结合的自监督学习网络获得层次化Transformer分类模型的预训练权重； 所述自监督学习网络，包括提取混合图像特征的编码器、平均池化层、解混合操作层、隐式上下文回归器、解码器和教师分支；所述提取混合图像特征的编码器、隐式上下文回归器、平均池化层和解混合操作层构成学生分支，教师分支由与学生分支相同的编码器及平均池化层组成；所述编码器用于解决预训练和微调过程不一致的问题；所述隐式上下文回归器用于重构掩码块的表示；所述解码器用于重构掩码图像块的原始像素值，利用自蒸馏的方式对齐教师分支与学生分支的表示，实现编码器抽取特征与解码器重构任务的分离； 步骤1的具体实现包括以下子步骤： 步骤1.1：收集若干无标签的和有标签的三维宫颈OCT影像数据，获得数据集；并将数据集划分为训练集和测试集； 步骤1.2：将训练集中的数据随机两两混合，达到图像掩码的效果，并将得到的混合图像输入到自监督学习网络中； 步骤1.3：利用层次化Transformer分类模型作为抽取混合图像和正常图像的编码器，后面接入2×2的平均池化层进一步缩小特征图的大小； 步骤1.4：通过解混合操作层将构成混合图像的两张图像的特征从混合图像中分离出来，并将初始化的掩码块的向量表示与抽取的图像的特征拼接到一起，组成完整尺寸的图像特征图； 步骤1.5：将拼接得到的图像特征图输入到隐式上下文回归器中重构被掩码块的特征，获得掩码重构的特征图； 步骤1.6：将步骤1.5中得到的图像表示输入到解码器中重构掩码块的原始像素值； 步骤1.7：将未被掩码的图像输入到教师分支编码器中提取完整的图像特征，后面接入平均池化层缩小特征图的大小，获得完整的图像特征图； 步骤1.8：将步骤1.5得到掩码重构的特征图和步骤1.7中完整的图像特征图进行对齐，计算对齐损失，并通过梯度停止阻止教师分支编码器参数参与更新，教师分支的编码器参数通过与学生分支编码器参数进行指数移动平均得到；训练结束后获得的最终学生分支编码器参数作为得到的预训练权重； 步骤2：使用有标签的数据对层次化Transformer分类模型进行监督训练获得最终的权重； 步骤3：利用分类模型对三维宫颈OCT影像中的所有OCT图像进行分类； 利用层次化Transformer分类模型，加载步骤2获得的权重，将二维宫颈OCT图像输入到层次化Transformer分类模型中提取特征向量，然后将特征向量输入到线性层和一个Softmax层中得到7个类别的概率分布；所述7个类别包括正常、宫颈炎、囊肿、宫颈柱状上皮外翻、低级别鳞状上皮内病变、高级别鳞状上皮内病变和宫颈癌； 步骤4：根据三维宫颈OCT影像中所有二维宫颈OCT图像的类别标签，得到分类结果。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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。