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！

龙图腾网获悉西安交通大学申请的专利一种基于层级网络的可解释性超声图像结节识别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：CN115187580B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202210967012.6，技术领域涉及：G06T7/00；该发明授权一种基于层级网络的可解释性超声图像结节识别方法是由杨静;张栋;王娟;韩泓丞;袁新;杜少毅设计研发完成，并于2022-08-11向国家知识产权局提交的专利申请。

本一种基于层级网络的可解释性超声图像结节识别方法在说明书摘要公布了：本发明公开了一种基于层级网络的可解释性超声图像结节识别方法，包括：1建立甲状腺超声影像数据集；2将无标签数据进行拼图化预处理，建立基于2D超声特征编码器的自监督学习网络层对无标签数据进行特征挖掘；3建立基于2D超声特征编码器的结节测量网络层获取结节的轮廓、大小和横纵比；4建立基于结节ROI特征编码器的自监督学习网络层对可疑结节ROI进行特征挖掘；5建立结节多因子量化网络层实现对边缘、成分、回声质量和钙化的识别与量化；6利用多层感知机实现良恶性和淋巴结转移的可解释性预测。实验结果证明，本发明提升了对结节轮廓测量与多因子识别的准确性，也进一步增强了自动化识别超声甲状腺结节的可解释性。

本发明授权一种基于层级网络的可解释性超声图像结节识别方法在权利要求书中公布了：1.一种基于层级网络的可解释性超声图像结节识别方法，其特征在于，包括以下步骤： 步骤一：建立脱敏的无标签和有标签甲状腺超声影像数据集，具体有无标签甲状腺超声影像数据集Data_A、基于结节轮廓分割的小样本数据集Data_N和基于结节病因多属性识别的小样本数据集Data_F； 步骤二：建立基于2D超声特征编码器的自监督学习的子网络层RSSL-N：为解决因医学影像的解刨结构相似性导致多样性特征难提取问题，该方法采用残差网络建立2D超声特征编码器，利用拼图学习策略构建自监督学习模型和目标函数，以驱动该模型学习2D超声图像的特征表征，进而从无标签医学影像数据中获2D超声图像的解刨结构、组织纹理和明暗强度重要特征表征；进一步包括下述步骤： 步骤2.1、输入数据拼图化：该方法采用拼图预处理对无标签输入数据进行预处理，得到图像块和其具拼图归属ori和位置pos拼图标签； 步骤2.2、建立RSSL-N自监督学习网络框架：该方法将基于残差卷积层网络作为2D超声图像特征编码器，并在此基础上，建立基于多层感知机的拼图块归属预测头和位置预测头；该自监督学习网络框架可以表示为： 式中，f*表示2D超声图像特征编码器，xib表示输入拼图块源自第b张图像的第i个拼图位置，gori*和gpos*分别表示拼图块归属预测头和位置预测头，zib和表示各自预测的向量表示； 步骤2.3、建立自监督学习网络层的损失函数Lstot：该方法采用拼图策略驱动模型学习，并利用相似度和距离度量建模该模型的损失函数，从而促使模型从医学图像中雕刻出解剖结构和强度的差异性，以提升模型对图像块归属和位置预测准确性，其中， 图像块归属预测损失函数表示为Lori： 式中，归属预测概率可以表示为pib，coszib,z0b表示图像块与图像向量表示之间的余弦相似度，τ表示用于平滑或加剧距离的温度参数，N表示图像数量或批量大小，kh和kw表示将h×w图像划分为k×k块，表示归属预测成功为1或错误为0； 图像块位置预测损失函数表示为Lori： Lstot＝αLoir+1-αLpos6 式中，位置预测概率表示为表示位置预测成功为1或错误为0；α表示平衡因子，N表示图像数量或批量大小，kh和kw表示将h×w图像划分为k×k块； 步骤三：建立基于2D超声特征编码器的结节定位与测量子网络层NMN：利于在步骤二中建立的2D超声特征编码器，进一步通过特征上下采样和特征融合方法，建立基于UNet++结构的结节分割子网络，以获取甲状腺结节的轮廓，并利用后处理层获取结节的方位测量信息； 步骤四：建立基于结节ROI特征编码器的自监督学习子网络层RSSL-F：利用在步骤三建立的NMN网络对无标签2D超声影像进行测量，获得甲状腺可疑结节的ROI区域作为输入，利用残差网络建立结节ROI特征编码器，并以拼图学习策略构建自监督学习模型和目标函数，来获取甲状腺结节的边缘、成分以及钙化关键特征表征； 步骤五：建立病因多属性量化子网络层FQN：利用步骤四建立的结节ROI特征编码器，进一步建立基于临床先验知识的非对称性多因子识别损失函数，以缓解因子标签不平衡、标签错误和丢失，导致网络学习难、精度不高的问题，并且通过多层感知机建立双预测头的病因多属性量化子网络FQN，以获得甲状腺结节的病因多属性量化信息和其对应的预测概率值； 进一步包括下述步骤： 步骤5.1、输入数据：将步骤3.2建立的NMN网络对2D超声图像测量结果，即可疑结节ROI区域作为输入数据； 步骤5.2、建立FQN网络层结构：利用步骤4.2中的结节ROI特征编码器作为特征提取骨干网络层f*，并且通过多层感知机建立多因子属性预测头gmul和作为先验约束的良恶性预测头gbin，以获得甲状腺结节的病因多属性量化信息：边缘、成分、回声质量和钙化因子和其对应的预测概率值； 步骤5.3、建立FQN层的损失函数Lmtot：利用正负样本加权策略、概率偏移和临床先验约束，建立基于临床先验知识的非对称性多因子识别损失函数，以缓解因子标签不平衡、标签错误和丢失，导致网络学习难、精度不高的问题，其多因子损失函数Lmul数学模型表达为： 式中，pi为多因子预测概率值，δ表示sigmoid函数，pij表示在临床先验约束j∈Ck下多因子预测概率的加权，表示为主因C和次因K的总和r+和r-表示对正负样本贡献的调节因子，以促使网络关注难样本的学习，ps＝maxpij-Δp,0，Δp是移位概率，旨在忽略简单负样本和减轻错误标签的容忍率，uij表示因子的真值标签，N表示图像数量或批量大小；类似的设计思路，良恶性预测损失函数Lbin数学模型表示为： Lmtot＝βLmul+1-βLbin11 式中，ui为良恶性真值标签，β表示约束调节因子； 步骤六：建立基于多层感知机的可解释性结果预测层：以结节的方位测量信息和病因多属性量化信息作为输入，利用多层感知机建立病因分析模块，以同时获取良恶性和淋巴结转移的可解释性的预测结果。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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”。