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！

龙图腾网获悉合肥工业大学申请的专利基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测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：CN115880277B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202310026481.2，技术领域涉及：G06T7/00；该发明授权基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法是由史骏;祝新宇;郑钰山;周培铖;胡张弛;陈雨靖;葛诗文;姜志国设计研发完成，并于2023-01-09向国家知识产权局提交的专利申请。

本基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法在说明书摘要公布了：本发明公开了一种基于SwinTransformer和弱监督的胃癌病理全切片T分期类别预测方法，包括：1、图像采集和预处理；2、建立能预测图像块阴阳性类别的第一SwinTransformer模型；3、离线训练第一SwinTransformer模型；4、利用训练好的第一SwinTransformer模型剔除阴性图像块，利用剩余阳性图像块生成T分期图像块数据集；5、建立能预测全切片T分期类别的第二SwinTransformer模型；6、离线训练第二SwinTransformer模型；7、利用两个训练好的SwinTransformer模型对胃癌组织病理全切片T分期类别进行预测。

本发明授权基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法在权利要求书中公布了：1.一种基于SwinTransformer和弱监督的胃癌病理全切片T分期类别预测方法，其特征在于，是按照如下步骤进行： 步骤1、图像采集和预处理： 步骤1.1、获取具有类别标签的胃癌组织病理全切片图像数据集并进行预处理，得到预处理后的全切片图像数据集X＝{X1,X2,...,Xn,...,XN}与对应标签Y＝{Y1,Y2,...,Yn,...,YN}，其中，Xn表示第n张全切片图像，Yn表示第n张全切片图像Xn对应的类别标签；Ym∈{1,2,…,α}；α表示类别等级；当Ym＝1时，表示Xn为阴性全切片图像，当Ym≠1，表示Xn为阳性全切片图像； 步骤1.2、去除第n张全切片图像Xn的空白背景后进行分块处理，得到S个图像块，记为其中，表示第n张全切片图像Xn的第i个图像块，c表示图像块的通道数，p×p表示每个图像块的宽度和高度；表示第i个图像块对应的类别标签；当时，表示为阴性图像块，即当时，表示为阳性图像块，即S表示图像块的数量； 步骤2、建立能预测图像块阴阳性类别的第一SwinTransformer模型，并用于得到输入图像块的分类结果 步骤3、离线训练第一SwinTransformer模型： 利用式11构建交叉熵损失函数L，并利用梯度下降算法训练第一SwinTransformer模型，使得交叉熵损失函数L达到收敛，从而得到训练好的第一SwinTransformer模型； 式11中，为图像块对应的阴阳性伪标签，S为图像块总数； 步骤4、利用训练好的第一SwinTransformer模型剔除阴性图像块，利用剩余的阳性图像块生成T分期图像块数据集： 步骤4.1、从预处理后的全切片图像数据集X中提取类别标签不为“1”的全切片图像，从而得到筛选后的全切片图像数据集X′＝{X′1,X′2,...,X′m,...,X′M}及其对应标签Y′＝{Y′1,Y′2,...,Y′m,...,Y′M}；其中，X′m表示第m张筛选后的全切片图像，Y′m表示X′m对应的类别标签； 步骤4.2、去除第m张筛选后的全切片图像X′m的空白背景后进行分块处理，得到Q个图像块及其类别标签，记为其中，表示第m张筛选后的全切片图像X′m的第q个图像块，表示第q个图像块对应的类别标签，Q表示图像块的数量； 步骤4.3、第m张筛选后的全切片图像X′m的Q个图像块输入能预测图像块阴阳性类别的训练好的SwinTransformer模型中进行处理，以剔除阴性图像块，从而得到由阳性图像块构成的T分期图像块数据集，记为其中，表示第m张筛选后的全切片图像X′m剔除阴性图像块后的第k个图像块，表示第k个图像块对应的类别标签，K表示图像块的数量； 步骤5、建立能预测全切片T分期类别的第二SwinTransformer模型，并用于得到第m张全切片X′m的输出结果pm∈{2,…,α}； 步骤6、离线训练第二SwinTransformer模型： 利用式20构建交叉熵损失函数L，并利用梯度下降算法训练第二SwinTransformer模型，使得交叉熵损失函数L达到收敛，从而得到训练好的第二SwinTransformer模型； 式20中，ym为第m张全切片X′m对应的T分期类别标签； 步骤7、利用两个训练好的SwinTransformer模型对胃癌组织病理全切片T分期类别进行预测： 步骤7.1、获取待预测的一张组织病理全切片图像并去除空白背景区域后分块处理，得到多个图像块序列x1,x2,…,xj,…,xm；其中，xj表示待预测的组织病理全切片图像中第j个图像块； 步骤7.2、将图像块序列x1,x2,…,xj,…,xm送入能预测图像块阴阳性类别的训练后的第一SwinTransformer模型中进行图像块类别的预测，并剔除阴性图像块，从而得到阳性图像块序列x′1,x′2,…,x′j,…,x′n，其中，x′j表示待预测的组织病理全切片图像剔除阴性图像块后的图像块序列中第j个图像块；计算阳性图像块的占比并与所设定的分类阈值t进行比较，若tpos≥t，则表示待预测的组织病理全切片图像为阳性，并执行步骤7.3；否则，表示待预测的组织病理全切片图像为阴性，即全切片类别为“1”； 步骤7.3、将阳性图像块序列x′1,x′2,…,x′j,…,x′n输入所述能预测全切片T分期类别的训练后的第二SwinTransformer模型中进行处理，从而得到待预测的组织病理全切片图像的T分期类别。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。