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！

龙图腾网获悉中国医科大学附属盛京医院申请的专利基于超声影像组学的胎儿胎肺成熟度识别模型的建立方法、胎儿胎肺成熟度识别模型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：CN119810057B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202411879379.8，技术领域涉及：G06F17/00；该发明授权基于超声影像组学的胎儿胎肺成熟度识别模型的建立方法、胎儿胎肺成熟度识别模型是由李宪;黄瑛设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本基于超声影像组学的胎儿胎肺成熟度识别模型的建立方法、胎儿胎肺成熟度识别模型在说明书摘要公布了：本发明提供一种基于超声影像组学的胎儿胎肺成熟度识别模型的建立方法。该方法包括：采集孕龄为20周到40+6+6周正常胎儿肺部超声图像数据；根据肺部超声图像数据获取对应的影像数据并对该影像数据中的每张肺部超声图像中的感兴趣区域进行勾画；对勾画出来的感兴趣区域进行影像组学特征的初次筛选；利用ANOVAF检验对初次筛选出来的影像组学特征进行二次筛选，再对二次筛选后得到的特征进行降维处理；将用于胎儿胎肺成熟度识别模型建立的影像组学特征作为输入，以孕妇孕龄为标签作为输出，训练AdeptiveXGBoost分类器，保存训练好的AdeptiveXGBoost分类器，以获得胎儿胎肺成熟度识别模型。本发明通过最终筛选出的若干个影像组学特征，达到用于对胎儿的胎肺成熟度进行识别和预测的目的。

本发明授权基于超声影像组学的胎儿胎肺成熟度识别模型的建立方法、胎儿胎肺成熟度识别模型在权利要求书中公布了：1.一种基于超声影像组学的胎儿胎肺成熟度识别模型的建立方法，其特征在于，包括： 步骤S1：采集孕龄为20周到40+6周正常胎儿的肺部超声图像数据；其中，40+6周表示为40周再加上6天的意思； 步骤S2：根据所述肺部超声图像数据获取对应的影像数据，并对所述影像数据中的每张肺部超声图像中的感兴趣区域进行勾画； 步骤S3：对勾画出来的感兴趣区域进行影像组学特征的初次筛选； 步骤S4：利用ANOVAF检验对初次筛选出来的影像组学特征进行二次筛选，再对二次筛选后得到的特征进行降维处理，以确定用于胎儿胎肺成熟度识别模型建立的影像组学特征； 步骤S5：将所述用于胎儿胎肺成熟度识别模型建立的影像组学特征作为输入，以孕妇孕龄为标签作为输出，训练AdaptiveXGBoost分类器，保存训练好的AdaptiveXGBoost分类器，以获得胎儿胎肺成熟度识别模型；其中，该胎儿胎肺成熟度识别模型实现对胎儿胎肺成熟度对应的孕妇孕龄进行识别； 步骤S3的具体操作包括以下步骤： 步骤S301：对勾画出来的感兴趣区域进行范数归一化预处理，进行影像组学特征的初步提取； 步骤S302：构建FEL自动编码器，对初步提取的影像组学特征进行初次筛选，得到128个影像组学特征； 其中，所述FEL自动编码器包括依次连接的输入层、编码器、解码器和输出层； 所述编码器是一个前馈神经网络，所述编码器包括依次连接的第一全连接层、第一Dropout层、第二全连接层、第二Dropout层、和第三全连接层；所述编码器的计算过程对应的数学表达式为： h＝fWex+be1 式1中，x为手动勾画的感兴趣区域，x的维度为d；将x压缩到一个隐空间，该隐空间表示为h，h的维度为k，则kd；We是编码器的权重矩阵；be是编码器的偏置向量；f是激活函数； 所述解码器也是一个前馈神经网络，所述解码器包括依次连接的第四全连接层、第三Dropout层、第五全连接层、和第四Dropout层；所述解码器的计算过程对应的数学表达式为： 式2中，Wd是解码器的权重矩阵；bd是解码器的偏置向量；g是解码器的激活函数；是重构后的输入数据； 所述FEL自动编码器的损失函数为交叉熵损失函数，所述交叉熵损失函数用于衡量原始输入数据x和重构后的输入数据之间的差异； 步骤S4的具体操作包括以下步骤： 步骤S401：利用ANOVAF检验对步骤S3中初次筛选出来的影像组学特征进行二次筛选，以确定与孕周有线性相关性的胎肺感兴趣区域的特征并选择排名前百分之五的特征； 步骤S402：基于DynamicRFECV的递归特征消除方法，对得到的排名前百分之五的特征进行降维处理，以确定用于胎儿胎肺成熟度识别模型建立的影像组学特征； 所述步骤S402，具体包括： 步骤S4021：通过梯度提升树gbdt模型对所有得到的排名前百分之五的特征进行评估排序；其中，梯度提升树gbdt模型的更新公式如下： Fmx＝Fm-1x+η1.hmx 式中，Fmx表示在第m次迭代后，梯度提升树gbdt模型对于输入x的预测值；Fm-1x表示在第m-1次迭代时的预测值；η1是梯度提升树gbdt模型的学习率，介于0和1之间，用于缩减每棵树的权重；hmx是第m棵树对于输入x的输出； 步骤S4022：按预定步长1移除部分特征； 步骤S4023：在移除部分特征后，使用剩下的特征重新训练梯度提升树gbdt模型，并通过交叉验证方式评估梯度提升树gbdt模型的性能； 步骤S4024：根据梯度提升树gbdt模型性能，动态调整学习率η1； 步骤S4025：迭代上述步骤S4021至步骤S4024，直到用于胎儿胎肺成熟度识别模型建立的影像组学特征达到预设的最小特征数量或者梯度提升树gbdt模型的性能不再提升，以获取最优的用于胎儿胎肺成熟度识别模型建立的影像组学特征； 所述AdaptiveXGBoost分类器的更新公式为： 其中，表示第t次迭代后，对于第i个样本的预测值；表示第t-1次迭代后，对于第i个样本的预测值；η2是学习率；ftxi是在第t次迭代中新增的决策树对样本xi的预测值； 所述AdaptiveXGBoost分类器的优化目标函数为： 其中，是损失函数；Ωft是正则化项；λ是正则化强度。

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中国医科大学附属盛京医院，其通讯地址为：110004 辽宁省沈阳市和平区三好街36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。