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！

龙图腾网获悉四川农业大学申请的专利一种动物X光医疗影像数据处理方法及计算机装置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：CN119444743B 。

龙图腾网通过国家知识产权局官网在2025-03-21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：202510027576.5，技术领域涉及：G06T7/00；该发明授权一种动物X光医疗影像数据处理方法及计算机装置是由舒灿;林野;曾柏瑞;刘敏;周胜翔;冯学菲;吴天昊;古欧渝平设计研发完成，并于2025-01-08向国家知识产权局提交的专利申请。

本一种动物X光医疗影像数据处理方法及计算机装置在说明书摘要公布了：本发明涉及动物X光医疗影像数据处理领域，具体涉及一种动物X光医疗影像数据处理方法及计算机装置，提高了对影像数据的理解能力和数据处理结果的准确性。其中方法包括：构建联合多任务动物X光多模态数据集，建立专门针对动物的X光影像数据集，包含结构解剖、病变标注和诊断文本等多模态信息，覆盖骨折、异物、肿瘤等多个病变分类，为深度学习模型提供高质量的训练和验证数据；生成多模态数据集标签；对多模态数据集进行数据预处理；构建多任务学习模型；实施多任务学习模型的特征共享以及特征融合策略；对多模态多任务学习模型进行训练；对多模态多任务学习模型的性能进行评估。本发明适用于动物X光医疗影像数据处理。

本发明授权一种动物X光医疗影像数据处理方法及计算机装置在权利要求书中公布了：1.一种动物X光医疗影像数据处理方法，其特征在于，包括：S1、构建联合多任务动物X光多模态数据集；S2、生成多模态数据集标签；S3、对多模态数据集进行数据预处理；S4、构建多任务学习模型；S5、实施多任务学习模型的特征共享以及特征融合策略；S6、对多模态多任务学习模型进行训练；S7、对多模态多任务学习模型的性能进行评估；步骤S2具体包括：生成分割任务标签：使用Python和OpenCV进行数据预处理和标签格式转换，生成分割任务的像素级掩码标签，该掩码标签使用标注工具Labelbox进行标注，每个像素根据其所在的解剖或病变区域，分配唯一的整数值，生成的掩码保存为单通道图像格式，并与原始图像文件保持相同尺寸；生成检测任务标签：通过LabelImg工具，对图像中的病变区域进行边界框标注，记录边界框的坐标信息，手动标注每个边界框的类别以及可选的置信度评分，标签数据存储为COCO格式的JSON文件；生成分类任务标签：使用Pandas库整理分类标签，记录检测到的病变区域的分类信息，包括骨折类型为闭合性或开放性以及肿瘤性质为良性或恶性，将标签数据编码为独热编码格式，并存储在CSV文件中，分类标签文件与检测标签文件保持一致的病变区域索引，确保分支任务的标签对齐；标签和图像批次处理：通过PyTorch的DataLoader模块设计自定义数据加载器，使其支持批次处理并将图像和多任务标签同步加载，采用Albumentations数据扩增库对X光影像进行扩增操作，确保在扩增过程中自动对分割掩码、检测边界框和分类标签进行同步变换；生成诊断报告，对每个X光影像给出对应的诊断报告文本；步骤S3具体包括：X光影像数据预处理：对X光影像数据进行去噪处理，采用中值滤波算法减少随机噪声干扰，中值滤波算法将每个像素点的值替换为邻域内像素值的中位数，消除图像中的盐噪声和胡椒噪声；采用直方图均衡化技术优化X光影像数据的亮度分布；直方图均衡化之后，对X光影像数据进行对比度拉伸处理；最后执行归一化处理，将X光影像数据像素值标准化至设定范围；文本预处理：对原始诊断报告文本进行清洗，去除多余的空格、换行符以及字符噪声，对于包含非标准医学术语和冗余信息的文本，通过关键词匹配的方式加以去除；通过医学术语词库，对诊断报告文本中的医学词汇进行标准化处理，将同义或近义的医学术语进行统一表述，此过程采用Python语言和PyMedTerm库来执行；将诊断报告文本按句子进行分割，并校正标点符号，采用NLTK库实现，通过句法分析分离并重构文本中的诊断要点；提取诊断报告文本中的所有单词，得到一个描述X光影像数据内容的词典，利用jieba工具对每个诊断报告文本加以分词，并利用空格代替诊断报告文本中的字符,在每个人工标注的诊断报告文本前后添加起始和结尾，未知的单词进行填补，并将所有诊断报告文本长度补齐至最大的长度，统计并编码每个分词；将提取的所有单词编码为数值标签，每个医学实体的特征值映射为唯一的数值编码，并使用独热编码方式存储在CSV文件中；最后诊断报告文本的单词，使用同义词扩展生成更多表达文本；步骤S4具体包括：构建主干网络：选择EfficientNet网络作为主干网络，利用EfficientNet网络中不同层次的特征与特征金字塔结合后，分别提供给分割和检测分支，低层特征提供给分割分支，关注局部边缘和细节信息，高层特征提供给检测分支，关注全局语义信息，通过EfficientNet网络生成多层次特征图；构建分割分支：基于U-Net架构进行了改进；编码器部分：利用EfficientNet网络生成的特征结合多任务特征共享与解耦模块后的特征向量，作为分割分支的编码器输入，减少计算冗余；跳跃连接：通过跳跃连接将主干网络的特征传递到解码器；解码器部分：逐步恢复图像空间分辨率，输出与输入尺寸一致的分割掩码，用于标注解剖结构和病变区域；构建检测分支：采用FastR-CNN框架对X光影像中病变区域进行定位和分类，FastR-CNN通过与EfficientNet网络提取的特征，结合多任务特征共享与解耦模块后的特征配合，实现病变区域的位置和类别识别，流程如下：区域提议网络：通过EfficientNet网络及特征金字塔生成的特征生成候选框，为病变区域的定位提供输入；ROI池化：对每个候选框区域执行ROI池化操作，标准化特征尺寸；边界框回归和分类：对候选框进行边界框回归和分类，输出病变区域的坐标、类别标签及置信度；构建分类分支：特征提取：从主干网络及检测分支中获取病变区域的特征向量；全连接层分类：通过全连接层将特征向量映射为设定的类别标签，输出病变的详细属性；构建特征融合层：在分割分支、检测分支、分类分支和EfficientNet网络主干之后设置一个特征融合层，通过特征融合层将经过EfficientNet提取的原始图像特征与多任务特征集成一体，为报告生成模块提供完整的多模态信息；构建报告生成模块：报告生成模块选用GPT-2，利用融合的特征向量生成符合医学标准的诊断文本；步骤S5具体包括：在主干网络后增加多任务特征共享与解耦模块，多任务特征共享与解耦模块具体用于，共享低层特征：让分割、检测和分类任务共享主干网络的低层特征；特征金字塔网络：利用多尺度特征图的金字塔结构，为不同任务生成适合其需求的特征分辨率，分割任务利用低层特征，检测和分类任务使用高层特征；任务专用卷积层：在解耦模块中基于特征金字塔网络，为每个任务设置专用卷积层，通过在特征金字塔网络输出的特征图上应用任务专用卷积层，使分割、检测和分类任务在共享特征基础上获得独立的特征空间，减少任务间的特征竞争与干扰，每个任务的专用卷积层根据其特征需求进行设置；设置动态任务权重调整机制，根据每个任务的训练进展动态调整其权重；总损失函数为： ；其中，为分割任务损失函数，为检测任务损失函数，为分类任务损失函数，是分割任务的权重参数、是检测任务的权重参数、是分类任务的权重参数；在分割、检测和分类分支完成任务后，融合特征输入至报告生成模块，报告生成模块通过分层自注意力机制对融合特征进行上下文分析，生成连贯的诊断报告文本；步骤S6具体包括：主干网络初始化：通过加载在ImageNet上预训练的权重进行初始化；任务分支初始化：针对分割、检测和分类任务，分别对各任务分支进行参数初始化，Kaiming初始化用于为每个分支随机分配权重值；初始权重分配：分配初始任务权重，分别为分割、检测和分类任务设定权重值，用于控制多任务损失函数中的不同任务影响力；动态权重调整机制：设计基于任务损失收敛情况的动态权重调整策略，多任务学习模型根据每个任务损失下降速率，实时调整权重值；优化器选择：采用Adam优化器，Adam优化器通过自适应调整每个参数的学习率来提高训练的效率和稳定性；学习率策略：设定初始学习率，并采用预热学习率策略，在初期阶段逐步增加学习率，随后在稳定阶段应用余弦退火学习率衰减，以逐步引导模型参数的收敛；报告生成模块的预训练与集成：对基于GPT-2的报告生成模块进行CausalLanguageModeling预训练；损失函数定义如下： ；N表示序列的总长度，表示第i个token前的所有token，为目标token；多任务特征融合与文本生成集成训练：在主干网络完成图像特征提取和各分支任务完成后，通过特征融合层将分割、检测和分类分支以及原始主干网络提取的图像特征向量整合为统一的多尺度语义特征向量，并输入报告生成模块；步骤S7具体包括：对多模态多任务学习模型的性能进行评估，根据评估结果，对超参数进行优化调整，以寻求最佳的多模态多任务学习模型配置，包括学习率、批量大小以及优化器类型，针对多任务学习模型中的特征解耦和共享策略，根据性能评估反馈不断优化特征图的交换与融合机制。

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农业大学，其通讯地址为：625000 四川省雅安市雨城区新康路46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”。