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！

龙图腾网获悉华东师范大学申请的专利多视图儿童肿瘤病理图像分类的深度网络增量学习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：CN116363461B 。

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：202310356664.0，技术领域涉及：G06V10/774；该发明授权多视图儿童肿瘤病理图像分类的深度网络增量学习方法是由孙仕亮;胡涛;张楠设计研发完成，并于2023-04-04向国家知识产权局提交的专利申请。

本多视图儿童肿瘤病理图像分类的深度网络增量学习方法在说明书摘要公布了：本发明公开了一种多视图儿童肿瘤病理图像分类的深度网络增量学习方法，该方法首先对儿童肿瘤病理图像特征进行建模，然后在不断获得新数据的情况下，训练得到增量学习模型，由此提高其准确性并获得鲁棒的分类能力。本发明的创新点在于针对医学病理图像的特点进行了设计，提出了一种多层级知识蒸馏正则化方法，以缓解增量学习中的旧模型在新数据上适应时的灾难性遗忘问题，增加算法的鲁棒性和可靠性。本发明的方法可以应用于医学图像处理领域以及其他需要增量学习的任务中。

本发明授权多视图儿童肿瘤病理图像分类的深度网络增量学习方法在权利要求书中公布了：1.一种多视图儿童肿瘤病理图像分类的深度网络增量学习方法，其特征在于，该方法包括如下步骤： 步骤一：预处理包含医学病理图像和对应的分类标签的数据集 原始数据为Hamp;E染色的儿童肿瘤组织病理切片即WSI扫描图像，将每个切片裁剪为若干不重叠子图像，每个子图像的大小为224*224；每个子图像都根据人为标注有一个对应的分类标签，构得所述的数据集； 步骤二：确定用于病理图像分类的模型结构 采用的病理图像分类的神经网络模型为DetexNet模型；DetexNet模型基于DensetNet网络结构，在DenseNet网络的最底层设计了一个TEM多视图特征提取器，通过TEM算法从输入的源图像提取R、G和B三个视图的特征，将特征按通道连接后送入DenseNet网络当中，最后通过一个Softmax激活层得到对应每个类别的分类相对概率，概率最大的类别为模型的分类结果； 步骤三：确定初始训练的优化目标 在增量学习中，训练数据是不断更新的，不同时间点会得到不同的新数据，每一次得到新数据都要对模型进行训练；在第一批次的数据到来时，对步骤二确定的模型结构进行实例化，并使用第一批次的数据对模型进行初始训练，训练使用的优化目标仅为多分类交叉熵损失，该损失由如下公式描述： 其中的表示模型的输出，K表示类别数量，y表示one-hot标签向量；训练完成得到的模型为当前模型； 步骤四：确定增量训练的优化目标 所述模型的优化目标为多分类交叉熵损失和多层级的知识蒸馏正则化；在每当获得一批新数据时，使用优化目标对当前已有模型进行新数据的增量训练；将当前模型定义为教师模型M，将教师模型M的模型结构和参数复制一份作为可学习的学生模型M；优化目标函数包括学习当前新数据的分类的交叉熵损失和保留旧数据知识的多层级知识蒸馏正则损失；优化目标函数如下公式描述： 其中的Ms为学生模型，x为当前批次的新数据，σ表示网络尾部的Softmax激活函数，K表示类别数量，yk表示one-hot标签向量，si和ti分别表示从学生模型网络和教师模型网络中不同的中间层抽取出来的中间特征向量，n表示提取的层数，pi表示对应层级的权重；在本轮新数据训练完成后，舍弃教师模型Mt，得到的学生模型Ms作为当前模型； 步骤五：训练深度网络增量学习模型 首先用第一批数据按照步骤三做一次初始训练，初始训练只使用常规多分类的交叉熵损失进行优化，每当获得一批新数据时，使用步骤四所述的增量学习步骤进行对新数据的训练； 在新数据增量训练当中应用回放策略：使用初始数据X0训练模型M0后，使用模型M0对已经训练过的数据X0提取特征并对特征进行聚类，选定N个最靠近聚类中心最具有代表性的样本构成集合P0； 接下来，当有一批新数据X1到来时，将P0混入X1，并使用混合数据对模型M0进行增量训练得到新模型M1；接着使用新模型M1对新数据X1进行特征提取，再使用聚类算法对特征进行聚类，选取N个最靠近聚类中心的样本作为最后，将和P0进行聚类，得到最具有代表性的N个样本集P1；每当有新的数据到来时，重复所述过程，使用P1代替P0进行后续增量学习； 每一轮新数据的增量训练根据步骤三的目标函数对各参数计算梯度更新模型，采用Adam算法优化模型的目标函数；具体训练包括如下步骤： 步骤a1：初始训练使用基于均匀分布的xaiver初始化方法，初始化神经网络的参数； 步骤a2：设置超参数，批次大小，最大迭代次数； 步骤a3：设置Adam优化器的学习率超参数，使用Adam算法更新模型的参数； 步骤a4：设置Earlystop机制，以验证集上的结果为标准，当验证集的精度不再上升时，中止模型的训练； 步骤六：训练完毕后，进行模型推理，即对儿童肿瘤病理图像进行分类。

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华东师范大学，其通讯地址为：200241 上海市闵行区东川路500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。