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;安徽医科大学第一附属医院申请的专利基于小样本学习的罕见疾病图像分类方法、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：CN120032170B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202510117339.8，技术领域涉及：G06V10/764；该发明授权基于小样本学习的罕见疾病图像分类方法、设备及存储介质是由徐晨初;王源;陶敏;张洁;李小虎;余永强设计研发完成，并于2025-01-24向国家知识产权局提交的专利申请。

本基于小样本学习的罕见疾病图像分类方法、设备及存储介质在说明书摘要公布了：本发明的一种基于小样本学习的罕见疾病图像分类方法、设备及介质，通过巧妙地构建特征回溯融合编码器，利用下一层特征为当前层生成注意力掩码，以减少低层特征中无用的噪声信息，从而更好地将低层特征中空间细节信息融合到高层特征中，有效地提高了模型对胃肠道疾病区域的分类性能；其次，多级原型重构网络进一步捕获支持集和查询集样本之间的语义相关性，以增强支持图像表示上的区分区域，为每个查询样本生成适合当前查询样本的校准类中心。基于欧氏距离的分类器输出该查询样本的分类结果，利用交叉熵函数指导模型优化，确保分类结果的精度。最终，基于小样本学习的罕见疾病图像分类模型经过严格的训练和测试，能够输出每个图像的分类结果。

本发明授权基于小样本学习的罕见疾病图像分类方法、设备及存储介质在权利要求书中公布了：1.一种基于小样本学习的罕见疾病图像分类方法，其特征在于，包括以下步骤，S1、收集胃肠道中包含罕见疾病在内的内窥镜图像数据集，将数据集划分为支持集和查询集； S2、构建特征回溯融合编码器用于提取所述支持集中的支持图像特征，以及提取所述查询集中的查询图像特征，并将这些特征信息传递给多级原型重构网络； S3、使用多级原型重构网络捕获支持集和查询集样本之间的语义相关性，并利用语义相关性增强支持图像表示上的区分区域，为每一个查询样本生成相应的支持集类中心； S4、构建基于欧氏距离的分类器将查询图像特征与多级原型重构网络输出的所有支持集特征计算欧氏距离，并将欧氏距离的相反数作为分类得分，至此形成基于小样本学习的罕见疾病图像分类模型； S5、利用收集到的训练样本对上述基于小样本学习的罕见疾病图像分类模型进行训练，并用验证集样本进行验证选取最优的网络参数，形成最终的基于小样本学习的罕见疾病图像分类模型； S6、应用时,采集胃肠道中包含罕见疾病在内的内窥镜图像，并将其输入至上述基于小样本学习的罕见疾病图像分类模型中，经计算输出每个查询样本的分类结果； 所述步骤S3包括： S31、多级原型重构网络以特征回溯融合编码器传递的最终特征作为输入，即包括支持图像特征和查询图像特征； S32、多级原型重构网络由对比级关系模块、显著级关系模块和注意力级关系模块并列组成； S321、对比级关系模块首先对查询图像特征进行全局平均池化得到嵌入向量，然后使用减法运算让查询图像的嵌入向量和所有支持图像特征的每个位置进行比较，以输出二者实例级对象之间的关系； S322、显著级关系模块首先对查询图像特征进行全局平均池化得到嵌入向量，然后将作为卷积核，以深度分离卷积的方式对支持图像特征进行卷积操作，以输出二者之间的特征关系； S323、注意力级关系模块首先通过1×1卷积得到支持图像和查询图像这两个嵌入特征，然后根据这两个嵌入特征之间的矩阵相乘计算二者的空间注意力权重矩阵，接着将查询图像特征与注意力权重矩阵进行矩阵相乘得到空间感知查询图像特征，并通过减法运算提取空间感知查询图像特征和支持图像特征之间的局部语义关系； S324、多级原型重构网络最后将和、、进行通道层面的拼接并通过1×1卷积压缩通道为,得到重构的支持图像特征。

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;安徽医科大学第一附属医院，其通讯地址为：230601 安徽省合肥市经开区九龙路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”。

以上内容由龙图腾AI智能生成。