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！

龙图腾网获悉湖南工商大学申请的专利基于自适应子图对比蒸馏的脑部疾病风险预测方法、装置、设备及存储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：CN121687526B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202610208027.2，技术领域涉及：G16H50/30；该发明授权基于自适应子图对比蒸馏的脑部疾病风险预测方法、装置、设备及存储介质是由曾阳艳;邓高亿;曾春朝;梁伟设计研发完成，并于2026-02-12向国家知识产权局提交的专利申请。

本基于自适应子图对比蒸馏的脑部疾病风险预测方法、装置、设备及存储介质在说明书摘要公布了：本发明公开了一种基于自适应子图对比蒸馏的脑部疾病风险预测方法、装置、设备及存储介质。该方法包括：采集多模态脑影像数据并预处理，将其分割为多个感兴趣区域并提取血氧水平依赖信号时间序列，分析连接权重生成加权脑网络图，将其输入目标图神经网络，输出关键病灶子图特征，基于关键病灶子图特征构建多目标损失项，基于多目标损失项进行模型训练，通过训练后的模型进行脑部疾病风险预测，实现从有限且不平衡的神经影像数据中挖掘深层病理特征，提升脑部疾病风险预测精度。

本发明授权基于自适应子图对比蒸馏的脑部疾病风险预测方法、装置、设备及存储介质在权利要求书中公布了：1.一种基于自适应子图对比蒸馏的脑部疾病风险预测方法，其特征在于，所述基于自适应子图对比蒸馏的脑部疾病风险预测方法包括： 采集多模态脑影像数据并进行预处理，将预处理后的脑影像数据分割为多个感兴趣区域，提取各感兴趣区域的血氧水平依赖信号时间序列，所述预处理包括时间校正、头动校正和空间标准化处理； 基于所述血氧水平依赖信号时间序列对各感兴趣区域进行连接权重分析，生成加权脑网络图； 构建目标图神经网络模型，将所述加权脑网络图输入至所述目标图神经网络模型，输出关键病灶子图特征； 基于所述关键病灶子图特征构建多目标损失项，并基于所述多目标损失项对所述目标图神经网络模型进行训练，通过训练后的目标图神经网络模型进行脑部疾病风险预测，所述多目标损失项包括分类交叉熵损失项、知识蒸馏损失项及对比学习损失项； 所述基于所述血氧水平依赖信号时间序列对各感兴趣区域进行连接权重分析，生成加权脑网络图，包括： 采用皮尔逊相关系数基于所述血氧水平依赖信号时间序列对各感兴趣区域进行连接权重分析，获得各感兴趣区域之间的原始功能连接权重，参照如下公式： 其中，表示感兴趣区域i与感兴趣区域j之间的原始功能连接权重，表示感兴趣区域i在第l个时间点的血氧水平依赖信号的信号幅值，和分别表示感兴趣区域i与感兴趣区域j在血氧水平依赖信号时间序列上的平均信号幅值，表示总采样时间点数量； 基于各感兴趣区域之间的原始功能连接权重构建各感兴趣区域的连接分布特征向量； 基于所述连接分布特征向量计算各感兴趣区域之间的交集和并集，参照如下公式： 其中，表示感兴趣区域i与感兴趣区域j之间的交集，用于衡量两个脑区共有的连接模式的强度，表示感兴趣区域i与感兴趣区域j之间的并集，用于衡量两个脑区总的连接模式的强度范围，和分别是感兴趣区域i和感兴趣区域j与第三方感兴趣区域的连接权重； 基于交集和并集构建多语义软杰卡德相似性连接权重，参照如下公式： 其中，表示感兴趣区域i与感兴趣区域j之间的连接权重，表示感兴趣区域i与感兴趣区域j之间的交集，表示感兴趣区域i与感兴趣区域j之间的并集，表示正数，用于防止分母为零； 基于所述多语义软杰卡德相似性连接权重构建重构权重矩阵，并基于所述重构权重矩阵生成加权脑网络图； 所述目标图神经网络模型包括教师模型和学生模型； 所述教师模型，配置为采用多层图卷积网络对所述加权脑网络图进行特征提取，获得全脑全局拓扑特征； 所述学生模型，配置为基于自适应注意力机制计算各脑区节点相对于所述全脑全局拓扑特征的重要性评分，所述脑区节点为感兴趣区域在图结构中映射单元； 所述学生模型，还配置为基于所述重要性评分对所述脑区节点进行剪枝处理，得到关键脑区节点，基于所述关键脑区节点构成的子图结构进行图卷积操作，获得子图节点特征，并将所述子图节点特征聚合为关键病灶子图特征； 所述基于所述关键病灶子图特征构建多目标损失项，并基于所述多目标损失项对所述目标图神经网络模型进行训练，通过训练后的目标图神经网络模型进行脑部疾病风险预测，包括： 对学生模型输出的样本批次中的一个样本的关键病灶子图特征进行数据增强，构建正样本对，并将所述样本批次中未进行数据增强的其他样本作为负样本，以构建多视图样本对； 利用对比学习损失函数对所述多视图样本对进行处理，计算对比学习损失项； 分别计算分类交叉熵损失项、知识蒸馏损失项及特征层蒸馏损失项； 调取预设超参数组对各类损失项进行加权求和，得到总损失函数； 基于所述总损失函数对目标图神经网络模型进行训练； 通过训练后的目标图神经网络模型进行脑部疾病风险预测，输出脑部风险预测结果，并基于所述脑部风险预测结果将注意力权重映射至大脑图谱生成关键致病脑区热力图； 所述总损失函数参照如下公式： 其中，表示总损失项，表示分类交叉熵损失项，表示样本的真实标签，表示目标图神经网络模型基于关键病灶子图特征输出的预测标签，表示知识蒸馏损失项，表示特征层蒸馏损失项，表示对比学习损失项，、、和分别表示预设超参数，用于平衡各类损失项的重要性； 所述知识蒸馏损失项参照如下公式计算： 其中，表示蒸馏温度，表示KL散度，用于度量两个概率分布的差异，表示疾病类别总数，表示教师模型的软化概率分布，表示学生模型的软化概率分布，表示教师模型对类别的软化概率输出，表示教师模型对类别的logits输出，表示学生模型对类别c的软化概率输出，表示教师模型对类别j的logits输出； 所述特征层蒸馏损失项参照如下公式计算： 其中，表示矩阵的弗罗贝尼乌斯范数，表示余弦相似度度量函数； 所述对比学习损失项参照如下公式计算： 其中，表示对比学习损失项，表示样本批次大小，表示学生模型输出的第i个样本的关键病灶子图特征，表示第i个样本的数据增强后视图，表示正样本对，表示向量间的余弦相似度，表示对比学习的温度系数，用于调节相似度得分的尺度，表示负样本。

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湖南工商大学，其通讯地址为：410000 湖南省长沙市岳麓区岳麓大道569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。