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！

龙图腾网获悉武汉工程大学申请的专利一种基于CNN与Transformer的糖尿病视网膜病变分级方法与系统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：CN116664928B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202310597334.0，技术领域涉及：G06V10/764；该发明授权一种基于CNN与Transformer的糖尿病视网膜病变分级方法与系统是由许启航;马雷;洪汉玉;王磊;朱映;吴锦梦;张耀宗设计研发完成，并于2023-05-22向国家知识产权局提交的专利申请。

本一种基于CNN与Transformer的糖尿病视网膜病变分级方法与系统在说明书摘要公布了：本发明公开了一种基于CNN与Transformer的糖尿病视网膜病变分级方法，包括以下步骤：导入原始图像数据集，将原始图像数据集划分为图像训练集和图像测试集；将图像训练集中的各个原始图像等分成若干个图像块，并生成不同粒度版本的打乱图像；通过残差网络和Swin‑Transformer建立糖尿病视网膜病变分级网络，采用渐进式策略训练糖尿病视网膜病变分级网络，得到串联阶段输出的多尺度多粒度的特征谱；定义分类损失函数和加权卡帕损失函数，并根据分类损失函数和加权卡帕损失函数构建损失层；利用图像训练集优化糖尿病视网膜病变分级网络；利用测试样本集对糖尿病视网膜病变分级网络进行测试。本发明能实现更准确的糖尿病视网膜病变分级，同时获得类别监督信息和有序监督信息。

本发明授权一种基于CNN与Transformer的糖尿病视网膜病变分级方法与系统在权利要求书中公布了：1.一种基于CNN与Transformer的糖尿病视网膜病变分级方法，其特征在于，包括以下步骤： S1：导入带有多组原始图像的原始图像数据集，并将所述原始图像数据集划分为图像训练集和图像测试集； S2：将图像训练集中的各个原始图像等分成若干个图像块，并生成不同粒度版本的打乱图像； S3：通过残差网络ResNet50和Swin-Transformer建立糖尿病视网膜病变分级网络，采用渐进式策略训练糖尿病视网膜病变分级网络；输入打乱图像，通过残差网络ResNet50的最后三层输出三个中间阶段不同粒度大小的特征谱；输入原始图像，通过Swin-Transformer的最后三层输出三个中间阶段不同大小的特征谱；通过特征融合模块融合不同阶段卷积神经网络输出的特征谱与Swin-Transformer输出的特征谱；串联残差网络ResNet50与Swin-Transformer融合的最后三层输出的特征谱，得到串联阶段输出的多尺度多粒度的特征谱；S3具体为： 建立糖尿病视网膜病变分级网络，包括残差网络、Swin-Transformer、特征融合模块、卷积层和分类层； 采用渐进式策略训练糖尿病视网膜病变分级网络；训练过程具体包括， 步骤1：通过所述特征融合模块融合残差网络第3层输出的特征谱与Swin-Transformer第2层输出的特征谱，得到第一融合特征； 步骤2：通过所述特征融合模块融合残差网络第4层输出的特征谱与Swin-Transformer第3层输出的特征谱，得到第二融合特征； 步骤3：通过所述特征融合模块融合残差网络第5层输出的特征谱与Swin-Transformer第4层输出的特征谱，得到第三融合特征； 步骤4：使用原始图像作为残差网络ResNet50与Swin-Transformer的输入图像，串联残差网络ResNet50与Swin-Transformer融合的特征谱，得到串联阶段输出的多尺度多粒度的特征谱； 步骤1，步骤2和步骤3的融合特征经过卷积层分别对得到对应的特征谱； 残差网络ResNet50提取打乱图像的图像特征，使用残差网络ResNet50的最后三层分别处理打乱图像，对不同粒度版本的输入图像，设，表示输入拼图中块的数量，其中，分别对应输出三个阶段的特征谱； Swin-Transformer提取图像训练集的图像特征，使用Swin-Transformer的最后三层分别处理图像训练集的图像，分别对应输出三个阶段的特征谱； 特征融合模块包括空间注意力模块，通道注意力模块和细粒度交互模块；在步骤1，步骤2，步骤3和步骤4中，使用特征融合模块融合相对应的残差网络与Swin-Transformer提取的特征谱，具体描述如下： 所述空间注意力模块包括通道池化层，卷积层和Sigmoid激活函数，通过空间注意力对CNN分支特征进行增强，其方法表示为： ； 所述通道注意力模块包括平均池化层，全连接层和Sigmoid激活函数，通过通道注意力对CNN分支特征进行增强，其方法表示为： ； 所述细粒度交互模块包括2个卷积和，哈达玛积和一个卷积，通过细粒度交互模块实现特征交互，其方法表示为：ci＝Conv3Conv1ai⊙Conv2bl； 将两个分支的增强特征与交互特征融合在一起，经过一个残差块，以实现不同分支输出特征之间的互补关系，其方法表示为： ； 通过卷积层将融合后的特征谱的通道维度统一到1024维： ； 所述分类层由两个具有Batchnorm和Elu非线性的两个全连接层组成；糖尿病视网膜病变分为5个等级，分类层通过分类器处理1024维的特征向量后得到一个5维的特征向量作为预测概率分布表示为： ； 其中，步骤1，步骤2，步骤3和步骤4的预测概率分布分别表示为； S4：定义分类损失函数和加权卡帕损失函数，并根据分类损失函数和加权卡帕损失函数构建损失层；S4具体为： S41：在步骤1，步骤2和步骤3中，步骤中使用表示预测概率分布，在步骤4中，使用表示预测概率分布；使用表示图像真实标签，通过交叉熵损失计算分类损失函数，表示为： ； 其中，表示图像索引，表示一个批量中图像总数，可表示步骤1，步骤2和步骤3中的分类损失函数，表示步骤4的分类损失函数； S42：通过加权卡帕损失函数计算分类损失函数，表示为： ， ， 其中，表示样本的数量，表示类别的样本数量，表示类别总数，表示二次加权矩阵，其中表示预测类别和实际类别之间的距离，表示第个样本的真实类别，表示第个样本预测类别属于的条件概率； S43：将交叉熵损失函数和加权卡帕损失函数加权平均获得总损失函数： 其中，为超参数，可表示步骤1，步骤2和步骤3中的总损失函数，表示步骤4的总损失函数； S5：利用图像训练集训练糖尿病视网膜病变分级网络得到训练集权重；利用测试样本集在训练集权重的基础上对糖尿病视网膜病变分级网络进行测试。

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武汉工程大学，其通讯地址为：430074 湖北省武汉市洪山区雄楚大街693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。