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！

龙图腾网获悉华东交通大学申请的专利联合分层视觉融合与原型对齐的病理图像报告生成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：CN121260346B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511828783.7，技术领域涉及：G16H15/00；该发明授权联合分层视觉融合与原型对齐的病理图像报告生成方法是由张红斌;叶成欣;刘博洋;元昱鹏;胡金波;李广丽设计研发完成，并于2025-12-05向国家知识产权局提交的专利申请。

本联合分层视觉融合与原型对齐的病理图像报告生成方法在说明书摘要公布了：本发明提出一种联合分层视觉融合与原型对齐的病理图像报告生成方法，该方法包括：采集病理图像及诊断报告作为数据集，对数据集中的病理图像进行预处理；通过构建层次关系矩阵进行分层视觉上下文信息融合；将诊断报告中的词元序列转换为解码器目标序列和文本嵌入，将文本嵌入与融合视觉特征输入至原型介导跨模态语义对齐模块中，以融合视觉特征和文本嵌入作为查询，分别以预设可学习原型同时作为键和值，通过交叉注意力机制进行训练与跨模态语义对齐，生成病理图像报告。本发明通过分层视觉融合与原型对齐双重机制，显著提升了模型的多尺度建模与语义理解能力，为自动化病理辅助诊断提供了可靠路径。

本发明授权联合分层视觉融合与原型对齐的病理图像报告生成方法在权利要求书中公布了：1.一种联合分层视觉融合与原型对齐的病理图像报告生成方法，其特征在于，所述方法包括如下步骤： 步骤1、基于视觉Transformer网络、分层视觉上下文融合模块、原型介导跨模态语义对齐模块和文本解码器构成生成模型； 步骤2、采集病理图像及诊断报告作为数据集，对数据集中的病理图像进行预处理，并利用视觉Transformer网络提取多尺度视觉特征； 步骤3、将多尺度视觉特征输入至分层视觉上下文融合模块中，通过构建层次关系矩阵进行分层视觉上下文信息融合，得到融合视觉特征，具体包括如下步骤： 基于组织级图像块与细胞级图像块之间的空间从属关系构建层次关系矩阵； 基于层次关系矩阵，对每个组织级图像块所对应的细胞级特征进行注意力加权聚合处理，生成细胞级上下文感知特征； 采用交叉注意力机制，利用细胞级特征对细胞级上下文感知特征进行细化处理，得到细胞级上下文细化特征； 将细胞级上下文细化特征与对应的组织级特征进行融合，联合两个层次的视觉上下文信息，得到融合视觉特征，具体包括： 对组织级特征进行非线性变换，得到经非线性变换得到的组织级隐藏特征，对应过程存在的关系式如下： ； 其中，表示经非线性变换得到的组织级隐藏特征，表示组织级特征，表示作用于组织级特征的线性投影矩阵，表示组织级图像块集合，表示Dropout操作，表示ReLU激活函数； 将细胞级上下文细化特征与对应的经非线性变换得到的组织级隐藏特征进行逐元素相加计算，融合两个层次的视觉上下文信息，得到融合视觉特征，对应过程存在的关系式如下： ； 其中，表示融合视觉特征，表示逐元素相加计算，表示细胞级上下文细化特征集合； 步骤4、将诊断报告中的词元序列转换为解码器目标序列和文本嵌入；将文本嵌入与融合视觉特征输入至原型介导跨模态语义对齐模块中，以融合视觉特征和文本嵌入作为查询，分别以预设可学习原型同时作为键和值，通过交叉注意力机制进行训练与跨模态语义对齐，得到对齐视觉特征与对齐文本嵌入； 步骤5、将对齐视觉特征和对齐文本嵌入输入至文本解码器中，通过自回归的下一词元预测，生成病理图像报告；通过计算所述病理图像报告的词元序列与解码器目标序列之间的负对数似然，以构建整体损失，并利用整体损失对生成模型进行优化，得到优化后的生成模型；将病理图像输入至优化后的生成模型中，以生成最终的病理图像报告。

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华东交通大学，其通讯地址为：330000 江西省南昌市经济技术开发区双港东大街808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。