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！

龙图腾网获悉山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)申请的专利一种动态权重选择的胃部病理切片腺体多分类分割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：CN117274711B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202311315526.4，技术领域涉及：G06V10/764；该发明授权一种动态权重选择的胃部病理切片腺体多分类分割方法是由潘景山;周贺虎;李娜;葛菁;王迪设计研发完成，并于2023-10-12向国家知识产权局提交的专利申请。

本一种动态权重选择的胃部病理切片腺体多分类分割方法在说明书摘要公布了：一种动态权重选择的胃部病理切片腺体多分类分割方法，涉及图像处理技术领域，在连接模块中加入了注意力机制，在优化多分类图像分割网络时引入了k‑flod交叉验证策略和动态权重选择模块，使得模型可以有效地对胃部病理切片腺体进行多分类分割，提高了模型多分类分割的准确性。

本发明授权一种动态权重选择的胃部病理切片腺体多分类分割方法在权利要求书中公布了：1.一种动态权重选择的胃部病理切片腺体多分类分割方法，其特征在于，包括如下步骤： a获取若干胃部病理图像及其对应的json标注文件； b根据胃部病理图像及其对应的json标注文件建立数据集； c将数据集划分为训练集和测试集； d建立多分类图像分割网络，将训练集中的图像输入到多分类图像分割网络中，输出得到胃部病历切片腺体多分类分割结果图； e训练多分类图像分割网络，得到优化后的多分类图像分割网络； f将测试集中的图像输入到优化后的多分类图像分割网络中，输出得到胃部病历切片腺体多分类分割结果图shuchu_final； 步骤d包括如下步骤： d-1多分类图像分割网络由k-flod验证模块、图像下采样模块、注意力连接模块、向量生成模块、Transformer模块、Decoder模块、动态权重选择模块构成； d-2将训练集输入到多分类图像分割网络的k-flod验证模块中，通过k-flod交叉验证策略将训练集拆分成k份，其中k-1份用于训练并将其记作train_new，1份用于验证并记作validation； d-3多分类图像分割网络的图像下采样模块由npz文件读取函数、第一下采样单元、第二下采样单元、第三下采样单元构成，将train_new中第i个npz文件输入到npz文件读取函数中，，通过调用Python中os模块、numpy模块读取i个npz文件的第一个数组image，将第一个数组image输入到第一下采样单元中，通过调用Python中os模块、cv2模块将第一个数组image缩小至，形成图像downsamplel，为图像高度，为图像宽度，为维度，多分类图像分割网络的注意力连接模块由多头注意力机制构成，将图像downsamplel输入到注意力连接模块中，通过多头注意力机制的计算，输出得到图像downsample_1，将图像downsample1输入到第二下采样单元中，通过调用Python中os模块、cv2模块将图像downsample1缩小至，形成图像downsample2，将图像downsample2输入到注意力连接模块中，通过多头注意力机制的计算，输出得到图像downsample_2，将图像downsample2输入到第三下采样单元中，通过调用Python中os模块、cv2模块将图像downsample2缩小至，形成图像downsample3，将图像downsample3输入到注意力连接模块中，通过多头注意力机制的计算，输出得到图像downsample_3； d-4多分类图像分割网络的向量生成模块由PatchEmbedding函数构成，将图像downsample3输入到向量生成模块中，通过调用Python中pytorch库里的torch.Tensor模块将图像downsample3划分成N个patch并展平，调用Python中pytorch库里的torch.nn模块中预定义的位置编码层生成一个长度为N的位置编码向量，将该位置编码向量中的元素添加到对应patch上，输出一个带有位置信息的一维向量vector1； d-5多分类图像分割网络的Transformer模块由12个相同的transformer块构成，将一维向量vector1依次输入到12个transformer块中，输出得到编码后的特征图encoded_feature； d-6多分类图像分割网络的Decoder模块由Reshape函数、第一上采样函数、第二上采样函数、第三上采样函数、图像恢复函数、LinearProjection函数构成，将特征图encoded_feature输入到Decoder模块的Reshape函数中，通过调用Python中pytorch库里的reshape模块将特征图encoded_feature的大小转化为的特征图reshape_feature，将特征图reshape_feature输入到Decoder模块的第一上采样函数中，通过调用Python中os模块、cv2模块将特征图reshape_feature扩展为，形成图像upsample1，将图像upsample1与图像downsample_3相加得到图像upsample_1，将图像upsample_1输入到Decoder模块的第二上采样函数中，通过调用Python中os模块、cv2模块将图像upsample_1扩展为，形成图像upsample2，将图像upsample2与图像downsample_2相加得到图像upsample_2，将图像upsample_2输入到Decoder模块的第三上采样函数中，通过调用Python中os模块、cv2模块将图像upsample_2扩展为，形成图像upsample3，将图像upsample3与图像downsample_1相加得到图像upsample_3，将图像upsample_3输入到Decoder模块的图像恢复函数中，通过调用Python中的cv2模块将图像upsample_3扩展为，形成图像upsample4，将图像upsample4输入到Decoder模块的LinearProjection函数中，通过调用Python中pytorch库里的os模块将图像upsample4处理成大小为的第i个npz文件的胃部病历切片腺体多分类分割结果图，其中为分类的类别数，当train_new中k-1个npz文件都得到对应的胃部病历切片腺体多分类分割结果图后，保存多分类图像分割网络的训练参数，将训练参数记作path； d-7对于分类类别为x的npz文件，重复执行步骤d-3至步骤d-6x次，保存每次的多分类图像分割网络的训练参数，分别记作； d-8多分类图像分割网络的动态权重选择模块由label读取函数、权重选择函数、权重导入函数构成，将validation中的npz文件输入到动态权重选择模块的label读取函数中，通过调用Python中的os模块、numpy模块读取该npz文件的第二个数组label的值，将第二个数组label的值存放在label.txt文件中，将label.txt文件输入到动态权重选择模块的权重选择函数中，通过调用Python中的os模块对label.txt文件中的值进行判断，根据label.txt文件中的值选取与步骤d_7中对应的训练参数，获取选取的训练参数的存放地址，将存放地址输入到动态权重选择模块的权重导入函数中，通过调用Python中pytorch库里的torch.load函数将选择的训练参数导入多分类图像分割网络。

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山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)，其通讯地址为：250014 山东省济南市历下区科院路19号山东省计算中心；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。