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！

龙图腾网获悉上海交通大学医学院附属瑞金医院申请的专利基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法、系统、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：CN120375106B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202510873215.2，技术领域涉及：G06V10/764；该发明授权基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法、系统、介质是由董舜杰;李若坤;郑文凯;蒲雨霖;邹雪扬;沈哲涵;严福华;邓林设计研发完成，并于2025-06-27向国家知识产权局提交的专利申请。

本基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法、系统、介质在说明书摘要公布了：本发明涉及医疗影像分析技术领域，尤其涉及一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法、系统、介质，影像分类方法包括：构建无监督领域自适应模型，利用源域医疗影像样本学习可迁移知识。基于动态域对齐策略量化源域和目标域特征分布差异，采用特征提取器和Sinkhorn散度算法实现特征分布对齐。利用可靠高阶对比对齐策略增强特征表示能力，提取高阶矩信息并引导目标域样本移动至类别中心。结合可信层次聚类策略，实现无标签医疗影像数据的鲁棒聚类。与现有技术相比，本发明通过动态域对齐策略、可靠高阶对比对齐策略和可信层次聚类策略，有效消除偏倚估计问题，引导未标记样本实现鲁棒的聚类。

本发明授权基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法、系统、介质在权利要求书中公布了：1.一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，包括以下步骤： S1：构建无监督领域自适应模型，用于从作为源域的原始医疗影像样本学习到的可迁移知识对作为目标领域样本的医疗影像样本进行标注，实现无监督领域自适应； S2：基于S1中构建的所述无监督领域自适应模型，通过动态域对齐策略量化源域和目标领域两个域特征分布的差异，得到对齐后的深度特征，具体包括： 采用特征提取器提取医疗影像的深度特征； 通过Sinkhorn散度算法计算源域和目标域之间的特征分布差异，实现跨领域特征分布的对齐； S3：基于S2所得的对齐后的深度特征，通过可靠高阶对比对齐策略增强可迁移特征的表示能力，具体包括： 基于高阶特征投影头算法提取步骤S2所得深度特征的高阶矩信息； 构建置信度加权的可靠对比学习损失，基于所述高阶矩在特征空间中有差异地引导目标域样本移动至其对应的类别中心； S4：结合S3生成的高阶矩特征及类别中心信息，基于所述无监督领域自适应模型执行可信层次聚类策略，引导无标签医疗影像数据实现鲁棒的聚类； S3中，所述高阶特征投影头算法通过迭代有效地提取深度特征的阶高阶矩，具体为： ， 其中，表示深度特征的𝑘阶矩，初始值，表示Hadamard乘积，是个独立采样的变换矩阵； 表示为深度特征的阶高阶矩，由高阶特征投影头算法计算生成； S3中，所述置信度加权的可靠对比学习损失在高阶矩空间中有差异地引导目标域样本朝向其对应的类别中心，定义为： ， 其中，为置信度加权的可靠对比学习损失函数，为目标域样本的伪标签置信度，为目标域样本的深度特征，为目标样本特征对应的类别中心，表示z类的中心，是温度超参数， 代表高阶矩之间的内积，具体为： ， 其中，表示从分布中独立采样的个向量，而代表在上的均匀分布； 表示对个随机向量的期望，指的是Kronecker积运算，ktimes表示运算k次。

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上海交通大学医学院附属瑞金医院，其通讯地址为：200025 上海市黄浦区瑞金二路197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”。