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！

龙图腾网获悉杭州电子科技大学申请的专利一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析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：CN114511537B 。

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：202210116221.X，技术领域涉及：G06T7/00；该发明授权一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法是由曹九稳;周德阳;王天磊;徐璐;魏劭农;蒋铁甲;高峰设计研发完成，并于2022-01-29向国家知识产权局提交的专利申请。

本一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法在说明书摘要公布了：本发明公开了一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法，首先进行儿童脱髓鞘疾病数据预处理及数据集构建；然后深度融合学习脱髓鞘疾病辅助模型设计；通过构建的儿童脱髓鞘疾病数据集对深度融合学习脱髓鞘疾病辅助模型进行训练；最后通过训练好的深度融合学习脱髓鞘疾病辅助模型完成高信号白质分割图的获取与特征分类，通过可视化结果模型展示高信号白质分割图与特征分类标签。本发明方法不仅可以辅助医生进行临床诊断，而且可以大大提高图像标注的速率，这将极大缩短患者的确诊时间与确诊成本，使患者获得及时的治疗，缓解患者预后过程遗留的神经功能缺损，获得更好的预后效果。

本发明授权一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法在权利要求书中公布了：1.一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法，其特征在于，步骤如下：步骤1、儿童脱髓鞘疾病数据预处理及数据集构建；数据集中的脑部MRI图像从医院获取，均为真实患者数据；在获取数据之后，首先对数据进行清洗，再对数据信息进行分类与分割标注，完成儿童脱髓鞘疾病数据集构建；步骤2、深度融合学习脱髓鞘疾病辅助模型设计；模型包括三个模块：1共享模块：采用卷积和池化的方式对输入的脑部MRI图像进行下采样来获取图像的特征并对特征进行压缩，最终深层特征图；2分割模块：分割模块的输入为共享模块的输出；采用反卷积进行上采样，并且与共享模块对应的特征信息进行特征拼接，最后进行2次卷积操作输出高信号白质分割图；3分类模块：分类模块的输入为共享模块的输出，采用卷积和池化的方式对特征图进行下采样操作，最后通过平均池化和全连接的操作，输出特征图分类标签；模型采用联合损失函数：将分割和分类两个任务的损失函数进行联合；步骤3、通过构建的儿童脱髓鞘疾病数据集对深度融合学习脱髓鞘疾病辅助模型进行训练；步骤4、通过训练好的深度融合学习脱髓鞘疾病辅助模型完成高信号白质分割图的获取与特征分类，通过可视化结果模型展示高信号白质分割图与特征分类标签；所述步骤2，具体步骤如下：2-1、共享模块是后续分割和分类的输入；共享模块中一共包括5个块，每个块中含有2个卷积层和1个池化层，在每个卷积层之后进行batchnormalization和激活函数ReLU；通过卷积和池化的操作对输入的脑部MRI图像进行下采样来获取图像的特征并对特征进行压缩；在图像经过5个块的操作之后获得深层特征图，大小为32*32*512；其中的卷积操作是将图像输入模型之后进行卷积操作，使用3*3的卷积，卷积方式是“SAME”，所以经过卷积操作之后，图像的长宽和输入一样，但是通道数会根据卷积核的数量改变，在5个块中，每个块中的2个卷积层是一样的，5个块依次采用32，64，128，256，512的卷积核数量；对于在每个块之后的输出特征图y上的每个像素p0，卷积表达式为： 其中pn是R＝-1，-1，0，-1，…，0，1，1，1中列出的位置的枚举，xp0+pn代表像素p0+pn上的值；代表像素p0的值；输入特征图的大小为Wi×Wi，卷积核的大小为F×F，padding是P，并且步幅为S；输出特征图的大小计算公式为： 其中W表示输出特征图的大小；在卷积层之后，使用batchnormalization和激活函数ReLU，来提高网络的泛化能力；ReLU的公式如： 在经过ReLU之后紧接着是池化操作：经过最大池化层之后，尺寸会缩小为原来的一半；2-2、分割模块的输入为共享模块的输出；分割模块中一共包括5个块，前4个块中每个块含有2个卷积层和1个反卷积层操作，在每个卷积层之后进行batchnormalization和激活函数ReLU；在每个对应的块中加入共享模块对应的特征信息，进行特征拼接，即将共享模块中的前4个块中输出的特征图与对应图像尺寸大小拼接到分割模块中；最后1个块中包含2个1*1的卷积层，在经过最后一个块之后输出高信号白质分割图；共享模块中64*64*256的图像特征信息融合到分割模块中的64*64*512的图像中，拼接到一起后为64*64*768的尺寸，然后继续进行特征提取；反卷积是从低分辨率映射到高分辨率的过程，在上采样的过程中用于扩大图像尺寸，起到还原图像尺寸的作用；2-3、分类模块的输入为共享模块的输出；分类模块中一共包括4个块；前2个块的操作和共享模块中的块一致，包含2个卷积层和1个池化层，但是卷积核的数量不同，分别是1024和2048；第3个块是平均池化层，第4个块是全连接层；在经过4个块之后，输出特征图分类标签，其中输出1为脑部无异常的图像，输出2为急性播散性脑脊髓炎，输出3为视神经脊髓炎谱系疾病；2-4、模型训练中损失函数采用通过如下公式计算： 其中λ1，λ2是权重，它们的目的是平衡分类和分割这两个任务在联合损失中的贡献；和分别代表分割和分类损失；为二分类交叉熵损失函数和Sigmoid函数组成的损失函数，其计算公式如下： 其中σxn是Sigmoid函数，用于将x映射到区间0，1： 是交叉熵损失函数，其计算公式如下： 其中class是标签。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。