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！

龙图腾网恭喜南京大学申请的专利适用于小样本医疗图像分类的类别增量学习方法和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：CN114663696B 。

龙图腾网通过国家知识产权局官网在2025-04-25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：202210149567.X，技术领域涉及：G06V10/764；该发明授权适用于小样本医疗图像分类的类别增量学习方法和系统是由叶翰嘉;詹德川;周大蔚;余果;姜远设计研发完成，并于2022-02-18向国家知识产权局提交的专利申请。

本适用于小样本医疗图像分类的类别增量学习方法和系统在说明书摘要公布了：本发明公开一种适用于小样本医疗图像分类的类别增量学习方法和系统，首先基于已有医疗图像样本训练基础分类模型，然后采集不同类别的医疗图像样本，包括病理图片和对应的疾病类别，并基于图片特征计算新增类别代表性特征，并替换作为分类器模型的全连接层；然后在已有的医疗图像数据集上构造类别增量学习任务，学习特征调整模块；最后在医疗图像测试过程中利用特征调整模块对模型预测进行校准。本发明可以解决医疗图片因隐私问题无法同时获得，以及只能利用已有模型和新的医疗图片建立一个新模型的难点，并且本发明实施过程中占用资源少，适用性强。

本发明授权适用于小样本医疗图像分类的类别增量学习方法和系统在权利要求书中公布了：1.一种适用于小样本医疗图像分类的类别增量学习方法，其特征在于，包括如下内容：数据收集：在不同时间段中收集来自不同类别的小样本医疗图像和对应医疗图像的类别标记；小样本类别增量学习：利用元学习技术构造小样本任务，训练校准模块，在真实小样本学习任务中，使用类别平均特征替换现有分类器模型的线性层，并利用校准模块完成增量学习，得到分类器模型；医疗图像分类：利用小样本类别增量学习阶段中构造好的适用于多种类别医疗图像分类的分类器模型对待测试的医疗图像进行分类预测；所述小样本类别增量学习的实现包括如下步骤：步骤200，初始化分类器模型和校准模块，校准模块是一个集合到集合的函数，校准模块通过图模型实现，其节点为收集到的旧医疗图片样本的特征均值，样本的特征表示为样本通过分类器模型的卷积神经网络得到的低维表示；图模型的边权重为两节点间的相似度，将该图模型表示为变换T；步骤201，在旧医疗图片数据集中构造小样本增量学习任务，小样本增量学习任务可以描述为N类K张，即每个小样本增量学习任务中采样N个类，每个类有K张图片；采样的任务之间类别不重合，采样过程将进行多次，用于模拟分类器模型更新过程；步骤202，对于每个采样出的小样本增量学习任务，首先基于交叉熵损失函数训练初始模型，模型的输入是单张医疗图片，模型的输出是预测的疾病类型；并将模型解耦为特征嵌入模块φ和线性层W；对于每个新的增量学习阶段，使用特征嵌入模块提取出医疗图片的特征φx，并计算属于同一类的特征均值p，使用特征均值p替换线性层中对应的类别权重；步骤203，使用特征均值替换分类器线性层后，使用步骤200中的图模型T对替换后的线性层进行校准，将校准后得到的线性层记为TW，使用校准后的线性层替换原始线性层进行图片预测；在采样出的小样本增量学习任务中进行预测，使用交叉熵损失基于梯度反向传播对特征嵌入模块φ，线性层W，以及图模型T进行优化直到损失收敛；将优化后的特征嵌入模块，线性层以及图模型的集合记作小样本增量学习模型，用于后续阶段的测试；步骤204，准备收集好的新医疗图片及其标记，计算新医疗图片中属于同一类的特征均值p，使用特征均值p替换线性层中对应的类别权重，结束小样本类别增量学习阶段。

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南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163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”。