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！

龙图腾网获悉北京理工大学申请的专利一种基于递归神经网络的眼底萎缩弧区域变化预测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：CN116128811B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202211621638.8，技术领域涉及：G06T7/00；该发明授权一种基于递归神经网络的眼底萎缩弧区域变化预测方法是由李慧琦;李孟宣;赵赫;郭佳设计研发完成，并于2022-12-16向国家知识产权局提交的专利申请。

本一种基于递归神经网络的眼底萎缩弧区域变化预测方法在说明书摘要公布了：本发明公开的一种基于递归神经网络的眼底萎缩弧区域变化预测方法，属于图像处理技术领域。本方法采用特征提取器输出的特征作为输入，网络训练时加入对于输入特征和输出特征的相似性约束，解决预测时序序列输入数据缺失的问题，降低数据带来的影响；通过在预测网络中加入注意力机制，充分利用历史输入特征，保持输入时间因果性，进一步提升网络预测性能；在进行预测网络训练前进行配准操作，排除不同时刻图像采集角度和分辨率的影响，能够进行不同时刻萎缩弧面积的比较，提升对眼底萎缩弧区域变化预测的准确性；本发明适用于眼科医疗等领域，通过萎缩弧增长趋势，提供精确且有针对性地辅助近视预测和防控。

本发明授权一种基于递归神经网络的眼底萎缩弧区域变化预测方法在权利要求书中公布了：1.一种基于递归神经网络的眼底萎缩弧区域变化预测方法，其特征在于：包括如下步骤， 步骤1：对历史图像进行配准操作，构建数据集并提取感兴趣区域； 步骤2：采用步骤1得到的训练集和验证集，以图片为单位进行视盘和萎缩弧区域分割模型的训练与验证，根据验证集上的结果，选取验证集上损失最低的模型作为最终采用的分割模型； 步骤3：根据步骤2得到的分割模型，构建萎缩弧区域预测模型，并采用步骤1的数据集进行训练； 步骤3的实现方法为， 步骤3.1、将步骤2得到的分割模型去除最后的卷积层作为特征提取器，特征提取器输入为图像； 步骤3.2、构建时序预测网络中的基本模块； 基本模块结构为卷积长短期记忆递归单元，如1所示： t表示时刻；X为基本模块的输入；H为隐藏状态；C为记忆单元状态；tanh和σ表示不同的激活函数；其中σ为sigmoid函数；*表示卷积操作；表示哈达玛积；W为模型参数，通过网络学习得到； 步骤3.3、构建注意力模块，充分利用历史时刻的信息； 对于t＝1时不进行任何处理；对于t≠1的时刻，将时刻t看作查询时刻，前t-1个时刻均为历史时刻；首先将查询的特征分别经过两个卷积层，从而获得两个特征，将其称为和再将历史时刻特征分别经过两个卷积层，将两个卷积层的输出分别沿着时间维度进行级联，得到的特征称为和然后进行维度变换，将KQ变换成KM变换成VM变换成通过将KM中每个时空位置与KQ的每个空间位置进行比较以进行相似性匹配；然后使用softmax加权求和来检索VM，得到的特征Fout维度变换回再与VQ进行级联得到最终输出特征； 步骤3.4、构建时序预测网络的模块组合； 模块组合由Q个基本模块，Q2-1个下采样和Q2-1个上采样层和一个注意力模块组成，其中前Q2个模块间通过下采样层连接，后Q2个模块间通过上采样层连接，第Q2个模块的输出通过注意力模块处理后输出的结果再输入到第Q2+1个模块，对于后Q2个模块，其隐藏状态和记忆单元状态为上一时刻的状态和当前时刻前面对应模块输出的隐藏状态和记忆单元状态相加构成；其中Q为偶数； 步骤3.5、构建空间时序预测模型； 空间时序预测模型由T个模块组合构成，其中T表示序列组中历史时刻数，T个模块组合中的参数共享，对于时刻1，前一时刻的隐藏状态和记忆单元状态均置为零，对于其他时刻，前一时刻的隐藏状态和记忆单元状态的输出为当前时刻的输入；对于第一层基本模块，输入为步骤3.1输出的特征，对于其他层模块，输入为前一层输出经过下采样或上采样或注意力模块输出的特征图； 步骤3.6、构建分割端口； 分割端口由一个卷积层和一个softmax激活层组成；分割端口的输入为步骤3.1的输出特征和步骤3.5中最后一层输出的隐藏状态特征，输出视盘和萎缩弧的预测结果； 步骤3.7、训练萎缩弧区域预测模型； 网络采用步骤1得到的数据集进行训练，使用的损失函数由交叉熵损失，前景的Dice损失和均方误差损失组成； 交叉熵损失表示为表示，如2所示： 此时为分割端口输出的视盘和萎缩弧预测结果，y为其对应的医生标注真值，N为图像数量，Cls为类别数量； Dice损失表示为如3所示： 此时y，N,Cls定义与之前相同，∈为一个趋近于0的数，在计算Dice损失时，不考虑背景，只计算视盘和萎缩弧； 均方误差表示为如4所示： 为特征提取器输出的特征除去t＝1时刻，为空间时序预测模型最后一层输出隐藏状态特征，N为输出的特征数量； 最终构建的损失函数如5所示： 验证集上损失最小的模型选取为最终采用的预测模型； 步骤4：应用步骤3得到的模型，对实际临床数据进行预测，提升对眼底萎缩弧区域变化的预测准确度，有针对性地辅助近视预测和防控。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。