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！

龙图腾网获悉徐州医科大学申请的专利一种基于几何优化不确定矫正的胶质瘤影像智能诊断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：CN116452531B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202310373900.X，技术领域涉及：G06T7/00；该发明授权一种基于几何优化不确定矫正的胶质瘤影像智能诊断方法是由王晨宇;朱红;梁峰宁;赵钰琳;徐华畅;王淋;开蕾;倪天浩设计研发完成，并于2023-04-10向国家知识产权局提交的专利申请。

本一种基于几何优化不确定矫正的胶质瘤影像智能诊断方法在说明书摘要公布了：本发明提出一种基于几何优化不确定矫正的胶质瘤影像智能诊断方法，本发明将真值发现、改进维诺图、几何优化与深度学习相结合，实现胶质瘤图像智能诊断、深度神经网络模型的不确定性矫正优化，可以有效辅助临床治疗。本发明包括如下步骤：步骤一：收集若干胶质瘤图像，通过深度卷积神经网络对其进行特征提取，对提取出的胶质瘤图像特征进行分类；步骤二：考虑多个胶质瘤图像的联合影响，改进维诺图算法，并基于改进的维诺图算法对胶质瘤图像进行类别不确定性矫正；步骤三：基于几何优化算法的胶质瘤图像分类模型后矫正，改善矫正模型在胶质瘤图像精度下降的问题；步骤四：得到每一张胶质瘤医学图像的最终类别信息，实现胶质瘤影像智能诊断。

本发明授权一种基于几何优化不确定矫正的胶质瘤影像智能诊断方法在权利要求书中公布了：1.一种基于几何优化不确定矫正的胶质瘤影像智能诊断方法，其特征在于，包括如下步骤： 步骤一：收集若干胶质瘤图像，通过深度卷积神经网络对其进行特征提取，对提取出的胶质瘤图像特征进行分类； 步骤二：考虑多个胶质瘤图像的联合影响，改进维诺图算法，并基于改进的维诺图算法对胶质瘤图像进行类别不确定性矫正； 步骤三：基于几何优化算法的胶质瘤图像分类模型后矫正，改善矫正模型在胶质瘤图像精度下降的问题； 步骤四：得到每一张胶质瘤医学图像的最终类别信息，实现胶质瘤影像智能诊断； 其中，步骤二的具体操作步骤为： S21：考虑多个胶质瘤图像的联合影响，将空间分解成若干个单元格，输入由深度卷积神经网络提取的胶质瘤图像特征集； S22：对胶质瘤图像数据集进行划分，将具有真实标签的胶质瘤图像数据集放于胶质瘤图像总数据集之前，伪标签数据集放于胶质瘤图像总数据集后面，并分别赋予果蝇算法得到的真实标签的最优权重和伪标签的最优权重，构建胶质瘤图像特征点簇、胶质瘤图像特征盒树，以及经过划分后的胶质瘤图像特征点簇； S23：判断特征盒树是否为空，如果盒树不为空，对划分后第一组胶质瘤特征点簇进行赋值，如果盒树为空，则构建特征盒树，重复赋值操作； S24：判断胶质瘤图像是二分类还是多分类，如果胶质瘤图像分类是二分类，则对划分后的第二组胶质瘤图像特征点簇进行误差评估，并进行赋值操作；如果胶质瘤图像分类是多分类，则对胶质瘤图像特征点簇进行排序，并重新进行特征点簇划分，重复赋值操作； 步骤三包括如下过程： S31：输入由改进维诺图算法得到的多个胶质瘤图像的高维向量数据d和胶质瘤图像的集成数据dens； S32：获取当前集成数据dens中最大数据的索引值I以及获取中排序数值的索引集合S，其中，di表示i个高维向量数据，L表示胶质瘤图像个数； S33：若满足排序数值的索引值集合S的第一个取值等于当前集成数据dens中最大数据的索引值I，则返回高维向量数据d； S34：若不满足排序数值的索引值集合S的第一个取值等于当前集成数据dens中最大数据的索引值I，则计算矫正高维向量数据dc； S35：若矫正高维向量数据dc大于高维向量数据d，则更新矫正高维向量数据dc； S36：重复S34、S35，直至所有高维向量均被更新。

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徐州医科大学，其通讯地址为：221004 江苏省徐州市云龙区黄山街道铜山路209号徐州医科大学主校区；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。