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！

龙图腾网恭喜北京长木谷医疗科技股份有限公司申请的专利基于深度学习算法的骨密度测量方法、装置、设备及介质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：CN117883103B 。

龙图腾网通过国家知识产权局官网在2025-03-07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：202410009377.7，技术领域涉及：A61B6/03；该发明授权基于深度学习算法的骨密度测量方法、装置、设备及介质是由张逸凌;刘星宇设计研发完成，并于2024-01-02向国家知识产权局提交的专利申请。

本基于深度学习算法的骨密度测量方法、装置、设备及介质在说明书摘要公布了：本申请提供了一种基于深度学习算法的骨密度测量方法、装置、设备及计算机可读存储介质。该基于深度学习算法的骨密度测量方法，包括：获取脊柱CT图像；将脊柱CT图像输入预设的分割网络模型，输出对应的脊椎分割结果；将脊椎分割结果输入预设的回归网络模型，输出对应的骨密度测量结果。根据本申请实施例，能够在无需专门设备、专门人员的情况下，准确地进行骨密度的测量。

本发明授权基于深度学习算法的骨密度测量方法、装置、设备及介质在权利要求书中公布了：1.一种基于深度学习算法的骨密度测量方法，其特征在于，包括：获取脊柱CT图像；将脊柱CT图像输入预设的分割网络模型，输出对应的脊椎分割结果；将脊椎分割结果输入预设的回归网络模型，输出对应的骨密度测量结果；在获取脊柱CT图像之后，还包括：对脊柱CT图像进行归一化处理；分割网络模型的整个网路结构采用4个分支并行的方式进行，并且在每下次采用生成新分支时，让分支之间通过concatenate的方式进行信息的融合；最终模型所输出的四个分支中，只使用第一个分支的输出作为最终的输出；第一个分支使用卷积Block，每个卷积Block由2个convolutional操作、1个batchnormalization和1个ReLu激活函数组成；图像在整个分支上尺寸保持不变，通过这样的方式有效的提取图像的局部细节信息；在除第一个分支的其他分支，将卷积Block置换成TransformerBlock，有效的提取图像中的全局信息；整个模型的输入图像为1张CT原始图像，输出为对应的分割mask；原始图像在进行过归一化后，输入深度学习模型，通过深度学习网络后，最终生成其对应的mask图像；整个网路结构采用4个分支并行的方式进行，并且在每次下采用生成新分支时，让分支之间通过concatenate的方式进行信息的融合；最终模型所输出的四个分支中，只使用第一个分支的头作为最终的输出；整个模型结构中，第一个分支使用卷积Block，每个卷积Block由2个convolutional操作+1个batchnormalization+1个ReLu激活函数组成，图像在整个分支上尺寸保持不变，通过这样的方式可以有效的提取图像的局部细节信息；在整个模型的第2，3，4个分支上，为了更好的提取全局信息，将卷积Block置换成TransformerBlock，通过这种模块的设计，让TransformerBlock有效的提取图像中的全局信息，从而达到让卷积Block和TransformerBlock都能发挥各自的优势的目的；TransformerBlock包括Laplacian算子，用于检测图像中的二阶导数，帮助定位图像中的边缘；将这个卷积核与图像进行卷积操作，得到梯度变化；基于梯度变化进行边缘检测；Laplacian算子是一种边缘检测算子，它通过卷积操作对图像进行处理；Laplacian算子用于检测图像中的二阶导数，帮助定位图像中的边缘；一个离散形式的Laplacian算子：这是一个3x3的卷积核，其中心元素为4，上下左右四个邻域的元素为1，其他元素为0；Laplacian算子通过将这个卷积核与图像进行卷积操作，计算得到的梯度变化，从而实现边缘检测；对于一个灰度图像I，Laplacian算子的卷积操作用以下公式表示： 其中，和分别表示图像在水平和垂直方向上的二阶导数；在实际应用中，通过使用不同大小的Laplacian卷积核或者进行高斯平滑算子来调整算子的性能。

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北京长木谷医疗科技股份有限公司，其通讯地址为：101100 北京市通州区北京经济技术开发区(通州)经海五路3号院19号楼；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”。