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！

龙图腾网获悉复旦大学申请的专利针对多模态医学影像的主动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：CN115861196B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202211470787.9，技术领域涉及：G06T7/00；该发明授权针对多模态医学影像的主动学习方法是由王皓冉;宋志坚;王满宁设计研发完成，并于2022-11-23向国家知识产权局提交的专利申请。

本针对多模态医学影像的主动学习方法在说明书摘要公布了：本发明公开了针对多模态医学影像的主动学习方法，包括：获取初始无标注数据集，初始无标注数据集包括若干个模态集合，其中模态集合为若干个样本的集合；构建编码器，通过多模态对比学习方法对编码器进行预训练，得到预训练的特征编码器；通过预训练的特征编码器计算初始无标注数据集中每个样本模态间的逐点互信息，基于逐点互信息，得到价值样本子集；对价值样本子集进行标注，得到标注数据；根据标注数据及价值样本子集对预训练的特征编码器进行调整训练，得到任务模型，通过任务模型对多模态医学影像进行识别，得到多模态医学影像识别结果。

本发明授权针对多模态医学影像的主动学习方法在权利要求书中公布了：1.针对多模态医学影像的主动学习方法，其特征在于，包括： 获取初始无标注数据集，所述初始无标注数据集包括若干个模态集合，其中所述模态集合为若干个样本的集合； 构建编码器，通过多模态对比学习方法对编码器进行预训练，得到预训练的特征编码器； 通过预训练的特征编码器计算所述初始无标注数据集中每个样本模态间的逐点互信息，基于逐点互信息，得到价值样本子集； 对价值样本子集进行标注，得到标注数据； 根据标注数据及价值样本子集对预训练的特征编码器进行调整训练，得到任务模型，通过任务模型对多模态医学影像进行识别，得到多模态医学影像识别结果； 对深度神经网络进行预训练的过程包括： 对不同模态下的同一样本进行相同的随机裁剪及数据增强，得到模态数据；通过编码器对模态数据进行独立编码，得到独立编码数据；对独立编码数据进行降维，得到样本特征； 将样本特征进行提取，生成有序样本特征组合，其中有序样本组合包括正样本特征对及负样本特征对； 通过记忆银行对所述样本特征进行存储，并通过动量更新方法对有序样本组合中的样本特征进行迭代更新提取，直到遍历所有有序样本特征组合，根据迭代更新提取过程中的所有有序样本特征组合计算全部两个模态间的对比学习损失，根据两个模态间的模态对比学习损失计算得到多模态对比学习损失，根据多模态对比学习损失优化深度神经网络； 根据迭代更新过程中的所有有序样本特征组合计算全部两个模态间的对比学习损失包括： 其中为第1个模态中的第i个样本与第2个模态中的第i个样本构成的正样本特征对，为第1个模态中的第i个样本与第2个模态对应的第j个负样本构成的负样本特征对，为相似度函数,为负样本的索引集合,N为每个模态下的样本个数，Ei为对所有样本的损失期望； 所述计算得到多模态对比学习损失的过程包括： ； 其中为第m个模态对第n个模态间的对比学习损失；为第n个模态对第m个模态间的对比学习损失，M为模态数量； 计算所述初始无标注数据集中每个样本模态间的逐点互信息的过程包括： 基于预训练的特征编码器预训练过程中的全部两个模态的对比学习损失计算所述每个样本模态间的逐点互信息： 为样本模态间的逐点互信息，k为负样本的索引集合中的负样本数量； 根据所述逐点互信息整合得到最终逐点互信息嵌入，其中所述最终逐点互信息嵌入为包含全部逐点互信息的集合。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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。