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！

龙图腾网获悉复影(上海)医疗科技有限公司申请的专利基于深度学习的脑肿瘤分类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：CN120107703B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202510578847.6，技术领域涉及：G06V10/764；该发明授权基于深度学习的脑肿瘤分类方法是由刘晓;耿道颖;戴健;郑智佶;吕锟;周锟设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本基于深度学习的脑肿瘤分类方法在说明书摘要公布了：本发明提供了一种基于深度学习的脑肿瘤分类方法，包括：将多模态磁共振成像图像均匀分割为多个小块，通过随机几何变换生成增强拼图，输入ResNet50骨干网络提取初级局部特征，优化特征分布；获取不同阶段多尺度特征图，构建轻量级卷积块，增强局部病理关联性；将不同阶段多尺度特征图进行全连接层拼接，引入可学习权重矩阵动态分配各阶段权重，生成融合特征；采用渐进式参数解冻机制，确保模型从局部到全局的有序学习；根据类别频率动态调整样本权重，结合多级分类器损失加权融合，平衡局部判别力与全局一致性；通过多级预测概率加权平均及动态阈值调整生成最终分类结果，结合sigmoid校准模块提升临床可用性。

本发明授权基于深度学习的脑肿瘤分类方法在权利要求书中公布了：1.一种基于深度学习的脑肿瘤分类方法，其特征在于，包括： 步骤1：将输入MRI图像均匀分割为小块，通过随机几何变换生成增强拼图，拼图增强后的图像输入ResNet50骨干网络的Conv1层，通过3×3卷积与最大池化提取初级局部特征；通过BatchNorm逐层归一化输入数据分布，通过ReLU激活函数在正区间线性特性使得梯度恒定为1； 步骤2：通过ResNet50骨干网络的Stage1~Stage4这四个阶段进行多尺度特征图提取；在Stage2至Stage4的特征图输出后，采用由两个3×3卷积层组成的轻量级卷积块进行局部特征增强；接着，BatchNorm层对每个全连接层输出进行通道归一化，抑制梯度震荡；ReLU激活函数通过稀疏化筛选关键病理特征；最终通过Softmax函数输出各阶段对脑肿瘤类型的概率分布，作为中间监督信号优化ResNet50骨干网络训练； 步骤3：将不同阶段多尺度特征图进行全连接层拼接，引入可学习权重矩阵动态分配各阶段权重，生成融合特征； 步骤4：采用渐进式参数解冻机制，确保模型从局部到全局的有序学习； 步骤5：根据类别频率动态调整样本权重，结合多级分类器损失加权融合，平衡局部判别力与全局一致性； 步骤6：通过多级预测概率加权平均及动态阈值调整生成最终分类结果； 所述随机几何变换包括旋转±30°、缩放0.8~1.2倍、水平垂直翻转中的至少一种，生成局部遮挡样本以增强模型抗干扰能力； 所述轻量级卷积块包括： 第一层：采用膨胀率为2的3×3卷积层，扩展感受野以捕获跨区域病理关联性； 第二层：采用深度可分离卷积层压缩参数量，并通过全局平均池化消除空间冗余信息； 所述渐进式参数解冻机制包括： 第一步，仅解冻ResNet50骨干网络的第一网络层，通过中间分类器优化局部纹理特征； 第二步，解冻ResNet50骨干网络的第二网络层，采用余弦退火学习率策略防止深层网络震荡； 第三步，解冻ResNet50骨干网络的第三网络层并引入跨模态特征对齐模块，通过梯度裁剪限制参数更新幅度； 第四步，解冻ResNet50骨干网络的第四网络层及全局分类器，采用级联金字塔结构融合多尺度特征； 权重分配通过以下公式实现： 式中，权重通过Softmax归一化后表征各阶段特征的重要性，为权重矩阵，为第阶段的特征向量，为偏置项，为总的阶段数，为第阶段的特征向量； 根据类别频率动态调整样本权重，表达式为： 结合多级分类器损失加权融合，表达式为： 其中：表示类别在训练数据集中的出现频率；表示第i个样本的真实标签；表示训练批次中的总样本数；表示样本索引；表示模型对第i个样本的预测概率。

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复影(上海)医疗科技有限公司，其通讯地址为：201306 上海市浦东新区中国(上海)自由贸易试验区临港新片区环湖西二路888号C楼；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”。