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！

龙图腾网获悉四川大学华西第二医院申请的专利一种基于人工智能的胎盘病变组织检测方法及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：CN121563999B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610099832.6，技术领域涉及：G06T7/00；该发明授权一种基于人工智能的胎盘病变组织检测方法及系统是由邹娟;张梦兰;王鑫蓉;马青展;李鑫;战军;吴倩;范盈盈;张燕;赵虎;洪雅强;肖雪;王巍设计研发完成，并于2026-01-26向国家知识产权局提交的专利申请。

本一种基于人工智能的胎盘病变组织检测方法及系统在说明书摘要公布了：本发明涉及计算机视觉和医学图像领域，具体涉及一种基于人工智能的胎盘病变组织检测方法及系统，所述方法包括以下步骤：多模态数据采集与融合，采用成像技术获取胎盘病变组织的多模态数据；对所述多模态数据对齐后针对可见光图像进行病变组织标注，获取基准标签；基于跨模态空间映射关系，将所述基准标签迁移至其他模态，以支持多模态协同训练。所述系统的软件模块接收来自硬件模块的加密原始数据，采用容器化技术将模型及其运行环境封装为独立单元部署运行，实现所述检测方法并与外部医疗信息系统集成。本发明显著提高对病变的检出率和降低误检率，检出性能得到显著提升，大大降低了医院的检测环境部署成本。

本发明授权一种基于人工智能的胎盘病变组织检测方法及系统在权利要求书中公布了：1.一种基于人工智能的胎盘病变组织检测方法，其特征在于，包括以下步骤： S1.获取胎盘标准切面数据，所述胎盘标准切面数据包括至少两种成像技术从不同维度获取胎盘病变组织的特征信息的多模态数据，其中一种所述成像技术是可见光成像； S2.将所述多模态数据对齐； S3.对齐后的所述多模态数据输入模型进行训练，输出检测结果； 其中，所述训练包括：对所述可见光成像的数据进行标注生成可见光标签；建立可见光模态和其他模态之间的空间映射关系，将所述可见光标签迁移至所述其他模态以生成伪标签；进行所述多模态数据协同训练； 其中，所述训练具体包括以下步骤： S31.对所述可见光成像的数据进行基于质量控制的标注，以生成可见光标签； S32.建立可见光模态和其他模态之间的空间映射关系，将所述可见光标签通过模态特异性优化迁移至所述其他模态以生成伪标签； S33.将所述多模态数据、所述可见光标签和所述伪标签输入所述模型协同训练； 所述模型基于YOLOv9实现，具备多头输入端、跨模态注意力融合机制以及优化的输出端； 所述多头输入端是针对各模态、异构独立的特征提取分支；其中可见光分支采用ConvNext模型，其他分支采用ConvNext模型或轻量化Mobile3DNet模型； 所述跨模态注意力融合机制，将经过各分支提取的特征，在Neck层通过设计的跨模态注意力模块CMA进行融合，其核心运算可表述为： a特征投影 Query,Key,Value生成： 对每个模态的特征图进行线性投影： 代表第m个模态如RGB、NIR、3D的输入特征图；为可学习的线性投影权重矩阵；分别表示第m个模态的查询、键和值向量，其中m为模态索引，用于区分不同模态的对应向量； b跨模态注意力计算： 计算模态i对模态j的注意力权重： 式中，为Key的维度,为缩放因子，用于防止点积结果过大导致Softmax梯度消失； c特征加权融合： 每个模态的最终输出是自身值与其他模态注意力值的加权和： 式中，为可学习的标量权重，用于调节从模态n到模态m的信息流重要性； 所述优化的输出端为所述模型共享一个检测头，通过自适应微调内部参数，根据特征中不同模态信息的比重分配权重，最终输出所述检测结果； 所述协同训练，采用渐进式策略，包括预训练、微调、联合训练三个阶段； 所述预训练使用所述可见光标签，先对所述可见光分支进行预训练直至mAP指标达到预设阈值； 所述微调，冻结完成所述预训练的分支，使用所述伪标签，训练模型中的其他模态分支； 所述联合训练，解冻所述模型的全部参数，并采用组合损失函数对整个所述模型进行端到端的联合优化训练，具体内容为： 总损失函数是多个损失项的加权和，设计精细以引导模型学习： 式中，,,,为平衡各项损失的权重系数； 为分类损失，解决病灶与背景的极端类别不平衡： 式中是模型对真实类别的预测概率；是类别平衡因子；γ是可调节的聚焦参数通常γ≥0，使模型更关注难分类的样本； 式中为边界框回归损失，精准定位病灶边界： 式中IoU为交并比；是预测框中心点与真实框中心点的欧氏距离；c是同时包含预测框和真实框的最小闭包区域的对角线距离；是衡量长宽比一致性的参数；是用于平衡的权重函数； 为目标置信度损失，使用二元交叉熵BCE，用于判断网格内是否有目标： 式中为参与损失计算的样本总数通常为特征图网格数×锚框数；为第i个样本的真实标签；模型预测第i个样本包含目标的置信度经过Sigmoid激活函数后的输出，值域在[0,1]之间； 为融合一致性损失，鼓励不同模态对同一病灶产生一致的特征表示： 式中是一个简单的自适应平均池化操作，用于将特征图映射为固定维度的向量；右下角的1代表L1范式，用于度量特征差异。

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四川大学华西第二医院，其通讯地址为：610041 四川省成都市武侯区人民南路3段20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。