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！

龙图腾网获悉安徽大学申请的专利一种结合生成对抗网络的半监督学习宫颈上皮内瘤变程度分类方法及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：CN118587498B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202410738717.X，技术领域涉及：G06V10/764；该发明授权一种结合生成对抗网络的半监督学习宫颈上皮内瘤变程度分类方法及系统是由李莉萍;冯芸;张艳;程鸿;梁凤;卢锐颖;刘梦月;彭程设计研发完成，并于2024-06-07向国家知识产权局提交的专利申请。

本一种结合生成对抗网络的半监督学习宫颈上皮内瘤变程度分类方法及系统在说明书摘要公布了：本发明公开了一种结合生成对抗网络的半监督学习宫颈上皮内瘤变程度分类方法及系统，方法包括：基于改进的生成对抗网络GAN生成逼真阴道镜醋酸图像，通过超分辨率生成对抗网络SRGAN对所述逼真阴道镜醋酸图像进行优化；基于深度残差网络ResNet为优化后的逼真阴道镜醋酸图像生成伪标签，并基于优化后的逼真阴道镜醋酸图像与有真实标签的图像对所述ResNet网络进行训练，直至伪标签不再变化，保留训练后的ResNet网络；将独立的阴道醋酸镜图像输入至训练后的ResNet网络中，进行宫颈上皮内瘤变程度分类。本发明能更好地适应阴道镜图像样本覆盖不充分的情况，减少数据偏差的影响。

本发明授权一种结合生成对抗网络的半监督学习宫颈上皮内瘤变程度分类方法及系统在权利要求书中公布了：1.一种结合生成对抗网络的半监督学习宫颈上皮内瘤变程度分类方法，其特征在于，包括：基于改进的生成对抗网络GAN生成逼真阴道镜醋酸图像，通过超分辨率生成对抗网络SRGAN对所述逼真阴道镜醋酸图像进行优化，生成目标阴道镜醋酸图像；基于深度残差网络ResNet为所述目标阴道镜醋酸图像生成伪标签，并基于所述目标阴道镜醋酸图像与有真实标签的图像对所述ResNet网络进行训练，直至伪标签不再变化，保留训练后的ResNet网络；将待分类的阴道醋酸镜图像输入至所述训练后的ResNet网络中，进行宫颈上皮内瘤变程度分类；所述改进的生成对抗网络GAN为引入Wasserstein距离替代传统生成对抗网络使用的JS散度的网络，并将原始生成对抗网络中鉴别器的全连接层修改为卷积层，生成器的全连接层修改为转置卷积；所述改进的生成对抗网络GAN通过阴道镜醋酸图像样本进行训练，并利用训练完成的网络生成所述逼真阴道镜醋酸图像；所述改进的生成对抗网络GAN中鉴别器和生成器的损失函数分别为： 式中，LD为鉴别器损失函数，为梯度计算，m为求和区间的离散化等分点数量，f为使用Wasserstein距离，Gz为生成器生成的虚假图像，LG为生成器损失函数；通过超分辨率生成对抗网络SRGAN对所述逼真阴道镜醋酸图像进行优化，包括：对所述超分辨率生成对抗网络SRGAN进行训练，基于训练好的超分辨率生成对抗网络SRGAN对所述逼真阴道镜醋酸图像进行优化，扩大图片尺寸，细化图片纹理细节；基于阴道镜醋酸图像对所述超分辨率生成对抗网络SRGAN进行训练，方法为： 式中，θG和θD分别是生成器和鉴别器的网络参数，表示鉴别器网络，表示生成器网络，IHR为高分辨率图像数据，ILR为低分辨率图像数据，为生成器所生成虚假高分辨率图像，为鉴别器对真实高分辨率图像进行判别，为鉴别器对生成器所生成虚假高分辨率图像进行判别，ptrainILR为真实高分辨率图像的概率分布，pGILR为向生成器输入低分辨率图像后所生成虚假高分辨率图像的概率分布，为对于从真实高分辨率图像分布中采用的样本被鉴别器判定为真实高分辨率样本概率的数学期望，为对于从生成器生成的虚假数据pGILR分布当中采样得到的样本经过生成器生成之后得到的虚假高分辨率图像，送入鉴别器后被预测概率的负对数的期望。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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”。