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！

龙图腾网获悉泰州学院申请的专利一种基于动态图多实例学习辅助识别溃疡性结肠炎炎症性活动等级的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：CN120047411B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202510122578.2，技术领域涉及：G06T7/00；该发明授权一种基于动态图多实例学习辅助识别溃疡性结肠炎炎症性活动等级的方法是由蔡程飞;钱进;帅小应设计研发完成，并于2025-01-26向国家知识产权局提交的专利申请。

本一种基于动态图多实例学习辅助识别溃疡性结肠炎炎症性活动等级的方法在说明书摘要公布了：本发明提供了一种基于动态图多实例学习辅助识别溃疡性结肠炎炎症性活动等级的方法，包括数据采集、数据预处理、炎症活动度诊断的动态图多实例学习模型构建及模型评估。数据采集主要包括收集溃疡性结肠炎患者的病理图像，通过数字扫描仪进行数字化，并且排除了包含模糊、褪色和染色异常等问题的一部分病理图像，最后由资深胃肠病理专家共同确定每张病理图像的分级标签。数据预处理主要包括对数字病理图像进行处理，将数字病理图像转为图像块，然后使用了视觉基础模型从每个图像块中提取特征，最后构建动态图多实例学习模型进行训练。本发明促进了对输入到WSI的图像块内在关系的探索，提升了模型的预测效果。

本发明授权一种基于动态图多实例学习辅助识别溃疡性结肠炎炎症性活动等级的方法在权利要求书中公布了：1.一种基于动态图多实例学习辅助识别溃疡性结肠炎炎症性活动等级的方法，其特征在于，包括以下步骤： 步骤1，收集数据：收集不同溃疡性结肠炎UC水平的全切片图像并使用数字扫描仪数字化； 步骤2，对全切片图像进行数据预处理：进行图像内容和质量的控制，将全切片图像中的组织区域分成图像块，构成模型的训练数据集和测试数据集； 步骤3，量化训练数据集与外部数据集之间的相似性，并采用视觉基础模型UNI进行筛选特征提取，得到特征向量； 步骤4，构建图像层级的溃疡性结肠炎UC的炎症活动度预测模型，基于步骤3得到的特征向量进行模型训练，采用动态图的多实例学习MIL的方法处理不同图像块之间的空间关系，构建图像块之间的有向图，从而将图像块之间的动态图特征融合，进行图像的分类； 步骤5，使用5折交叉验证针对两种任务评估DGMIL模型的性能，并与传统的MIL和AttMIL算法进行比较，并使用梯度加权类激活映射进行可视化；所述两种任务是指判定炎症是否存在、进一步对炎症的级别进行细分； 步骤4包括：对于所有图像块的标签，使用全切片图像WSI级别的标签作为图像块的标签，用于构建切片级别的溃疡性结肠炎UC炎症活动自动分级模型； 所述溃疡性结肠炎UC炎症活动自动分级模型是一种基于动态图的多实例学习模型DGMIL，所述多实例学习模型DGMIL包括动态图模块和多实例学习模块MIL； 所述动态图模块首先会计算图像块之间的相似性得分，公式为： ， 其中，N为所有图像块的集合，代表第j个图像块经过UNI和线性层后得到的特征向量，代表计算，两个特征向量的点积相似度，之后将得到的相似度经过归一化指数函数softmax后得到第i个和第j个图像块之间的相似性得分； 得到相似性得分后，每张图像块选择相似度得分最高的图像块作为第i个图像块的相邻图像块，公式为： ， 其中表示选取第i个图像块与其他所有图像块相似性得分最高的k个，表示从所有图像块中筛选出来的和第i个图像块的相似性得分最大的k个图像块的集合，作为第i个图像块的相邻图像块； 图像块之间有向拓扑结构的表示方式为： ， 其中表示第i个图像块和第j个图像块之间的空间嵌入表示，信息从相似性得分最大的k个图像块流向第i个图像块，通过结合k个图像块的特征更新第i个图像块的特征，表示在图结构中，即为这k个图像块对应的节点与第i个图像块对应的节点相连，方向从k个图像块的节点指向这第i个图像块的节点； 对于第i个图像块，计算第i个图像块与从所有图像块中筛选出来的和第i个图像块的相似性得分最大的k个图像块的集合的特征的线性组合，以表征第i个图像块的一阶连接结构： ， 其中是一个权重，用于指导图像块的信息量传播到第i个图像块，是第i个图像块和相邻图像块的特征向量进行加权组合后得到的更新后的特征向量； 采用点乘和求和的方式使节点间交互信息，表示为： ， 其中，和表示LeakyReLU激活函数，和表示可学习的变换矩阵； 最后将动态图结构的输出作为输入到多实例学习模块MIL中，通过Softmax和最大池化MaxPooling来得到每个WSI图片的标签类别概率，公式为：， 其中为动态图输出所有图像块经过信息交互后得到的更新后的特征向量，表示为类别概率； 步骤4中，对于图像级别的预测，采用了一种多实例学习MIL方法结合动态图结构，超参的配置为：优化器使用Adam，损失函数使用softmax交叉熵，即标准交叉熵损失与softmax的结合；初始学习率设定为2e-4，丢弃率为0.25；在训练迭代过程中，计算损失，并基于每次迭代结束时达到的最小损失更新多实例学习模型DGMIL的权重； 步骤5中，为了评估数据集的变异性和多实例学习模型DGMIL的鲁棒性，使用了5折交叉验证：所述多实例学习模型DGMIL与两种多实例学习算法MIL和AttMIL都在内部和外部测试集进行了测试，在步骤4的网络的动态图结构中，ReLU被用作激活函数，交叉熵作为损失函数，通过可学习的隐式特征来量化补丁之间的位置关系，将全切片图像WSI使用不重叠取块的方式得到大小的图像块，其中表示第n个图像块，n为图像块总数，所有的图像块作为图的节点； 多实例学习模型DGMIL针对两种任务进行处理，通过有向图权重汇总图像块特征，用于预测整个全切片图像WSI的标签，多实例学习模型DGMIL的训练使用交叉熵损失，结合softmax来计算分类概率； 多实例学习模型DGMIL通过生成热力图来展示多实例学习模型DGMIL在诊断过程中关注的感兴趣区域，以解释模型的决策依据。

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泰州学院，其通讯地址为：225309 江苏省泰州市海陵区济川东路93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。