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！

龙图腾网获悉西安电子科技大学申请的专利重建混合策略的三维医学图像视觉语言模型预训练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：CN119943252B 。

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：202510119149.X，技术领域涉及：G16H15/00；该发明授权重建混合策略的三维医学图像视觉语言模型预训练方法是由焦李成;黄钟健;周中舟;郝佳瑶;李玲玲;刘旭;陈璞花;马文萍;杨淑媛;刘芳设计研发完成，并于2025-01-24向国家知识产权局提交的专利申请。

本重建混合策略的三维医学图像视觉语言模型预训练方法在说明书摘要公布了：本发明公开了重建混合策略的三维医学图像视觉语言模型预训练方法，属于医学影像计算技术领域，包括构建医学图像文本对数据集，语言文本掩码重建策略，视觉图像掩码重建策略，语义感知融合策略，多任务联合学习；本发明对大语言模型进行微调，使用微调的大语言模型提取医学报告中的诊断及属性信息并生成高效的提示，并且大语言模型具有较强的泛化能力，大大节省了人工标注的成本；本发明的语义感知融合策略，是将文本编码器得到的文本特征和图像编码器得到的图像特征相结合得到新的文本特征，使文本提前感知图像的诊断及属性信息，进一步优化图像和文本在嵌入空间中的对齐，提升了预训练的效率。

本发明授权重建混合策略的三维医学图像视觉语言模型预训练方法在权利要求书中公布了：1.重建混合策略的三维医学图像视觉语言模型预训练方法，其特征在于，包括以下步骤： S1，构建医学图像文本对数据集，所述医学图像文本对数据集包括三维医学图像和医学领域报告； S2，提取并生成文本信息：提取S1中医学图像文本对数据集的医学领域报告的诊断及属性信息生成模板对应的文本； S3，文本特征生成：将S2生成的文本进行随机掩码操作，得到文本掩码，并将得到的文本掩码输入到文本编码器中生成文本特征； S4，图像特征生成：对S1中医学图像文本对数据集的三维医学图像进行预处理，并将预处理后的三维医学图像进行随机掩码操作，得到三维医学掩码图像，将得到的三维医学掩码图像输入到图像编码器中生成图像特征； S5，将S3中得到的文本特征输入到文本解码器得到重建文本； S6，将S4中得到的图像特征输入到图像解码器得到重建图像； S7，语义感知融合策略：使用交叉注意力机制对S3和S4获得的文本特征和图像特征进行融合生成新的文本特征； S8，文本重建任务：将S3中生成的文本特征和S5中得到的重建文本联合计算文本重建损失； S9，图像重建任务：将S4中生成的图像特征和S6中得到的重建图像联合计算图像重建损失； S10，图像文本配对任务：将S4中的图像特征和S7中得到的新的文本特征联合进行对比学习，计算图像文本配对损失； S11，多任务联合学习：对S8、S9和S10中不同任务得到损失进行加权求和； 所述S2和S3中提取并生成文本信息并生成文本特征的具体步骤为： 使用大语言模型并在公开可用的大规模医学语言数据集上对大语言模型进行微调； 对训练微调后的大语言模型输入医学领域报告及相应的模板信息，训练微调后的大语言模型能够从中提取出对应的医学领域报告的诊断及属性信息并生成模板对应的诊断文本和属性文本表示； 将生成的模板对应的诊断文本和属性文本作为提示进行随机掩码操作，其中掩码概率固定是20%，得到文本掩码，将文本掩码输入到文本编码器中生成文本特征； 所述S7中图像特征和文本特征的融合具体步骤为： 在交叉注意力层中，将图像特征作为查询输入，文本特征作为键和值输入； 通过计算查询和键之间的点积得到注意力权重，这些权重用于加权值，生成融合后的特征表示； 融合后的特征通过前馈网络生成新的文本特征； 所述S4中的图像特征和S7中得到的新的文本特征联合进行对比学习，计算图像文本配对损失的损失函数定义如下： 其中，表示信息噪声对比估计损失，是图像的特征向量，是与图像匹配的文本特征向量，是与图像不匹配的文本特征向量，sim是相似度函数，是温度参数，N是批次中向量的总数。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。