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！

龙图腾网获悉吉林农业大学申请的专利基于CT影像的肺部病变自动检测与诊断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：CN120953287B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202511483699.6，技术领域涉及：G06T7/00；该发明授权基于CT影像的肺部病变自动检测与诊断方法是由李健;于维霖;李政;张伟健;冯宇轩;付海涛;胡雅婷;汪威;朱丽;林楠;罗树通;卢健;付鸿鲲;于跃;秦杰;王嘉玮;丁鹏设计研发完成，并于2025-10-17向国家知识产权局提交的专利申请。

本基于CT影像的肺部病变自动检测与诊断方法在说明书摘要公布了：本发明提供一种基于CT影像的肺部病变自动检测与诊断方法，涉及医学影像辅助诊断领域，包括：步骤S1、针对输入的CT影像肺部区域进行多模态特征融合与分割；步骤S2、基于动态自适应膨胀卷积实现肺结节的检测；步骤S3、结合多模态特征与改进Snakes模型量化肺结节大小；步骤S4、采用时空动态追踪模块进行动态追踪；步骤S5、分别特征提取模块提取结节的多维度特征、为诊断决策提供输入；步骤S6、采用临床诊断模型，输出良恶性的诊断结果。该方法能够精准识别肺结节位置、判断结节大小，从而完成肺结节辅助诊断，避免过于依赖人工导致的效率低下、人为主观因素大、准确率低等问题。

本发明授权基于CT影像的肺部病变自动检测与诊断方法在权利要求书中公布了：1.一种基于CT影像的肺部病变自动检测与诊断方法，其特征在于：包括： 步骤S1、针对输入的CT影像肺部区域进行多模态特征融合与分割； 步骤S2、基于动态自适应膨胀卷积实现肺结节的检测，具体为： 动态自适应膨胀卷积模块根据局部特征复杂度实时调节膨胀率，包括：获取步骤S1中分割后的肺区特征图每个体素x,y,z的局部熵与梯度范数： ； 式中：K表示灰度分级数；pi表示3×3×3邻域内灰度i的概率； 通过局部熵与梯度范数获得动态膨胀率rx,y,z、避免膨胀过度导致特征断裂： ； 式中：、分别表示熵权重系数与梯度权重系数；r0表示基础膨胀率；clip表示截断函数； 检测网络模块基于RetinaNet进行改进，融合轻量化、自适应特征提取与复杂样本优化，包括3DMobileNetV3作为特征提取的主干网络；采用特征金字塔网络与动态自适应膨胀卷积模块作为网络的颈部结构，用于多尺度融合与自适应复杂形态捕捉；采用RetinaNet的双分支头结构作为网络的检测头，包括分类头与回归头，其中分类头采用改进的FocalLoss预测每个锚框输出肺结节或背景的概率： ； 式中：pt表示模型对样本属于肺结节的预测概率；表示类别权重；表示聚焦参数； 步骤S3、结合多模态特征与改进Snakes模型，实现肺结节的3D轮廓勾勒，从而量化肺结节大小；具体为： 改进Snakes模型的能量函数包括多模态外部能量，即包括内部能量Eint、外部能量Eext与约束能量Econ： ； ； 式中：as、bs表示平滑系数，分别用于控制轮廓的弯曲平滑度与拉伸平滑度；U表示轮廓顶点，即3D主动轮廓上的点、用于描述主动轮廓的几何位置；k1、k2分别表示对应的权重系数；表示结节的平均密度；Cz表示候选结节的质心；Ryue表示约束半径、避免轮廓溢出候选结节区域； 采用改进的Snake模型收敛后获得连续的3D轮廓，并将其转换为3D图像的体素表示，遍历3D图像的体素，获得Snake轮廓内的体素数量Nts；并通过Snake轮廓内的体素数量计算结节的体积VF与等效直径dF： ； 式中：dx、dy、dz表示CT的体素分别率； 步骤S4、采用时空动态追踪模块，实现肺结节跨时间帧的动态追踪；具体为： 首先，构建每个结节的特征向量Fn： ； 其中，fDADC表示动态自适应膨胀卷积模块的输出特征；cx、cy、cz表示质心坐标； 之后，采用卡尔曼滤波进行状态预测与观测更新： 状态预测： ； 式中：表示当前第t帧的先验状态估计；A表示状态转移矩阵；Ct-1表示第t-1帧的后验状态估计；B表示控制输入矩阵；表示控制输入向量；表示当前第t帧的先验估计协方差矩阵；Pt-1表示第t-1帧的后验估计协方差矩阵；Q表示过程噪声协方差矩阵： ； 式中：I表示单位矩阵； 观测更新： ； 式中：Kt表示卡尔曼增益；O表示观测矩阵；Zr观测噪声协方差矩阵： ； 然后，融合特征和位置相似度，进行跨时间帧结节的特征匹配： ； 式中：Snt-1,i,nt,j表示第t-1帧的第i个结节与第t帧的第j个结节的融合相似度；表示第t-1帧的第i个结节特征与第t帧的第j个结节特征的余弦相似度；表示第t帧的第i个结节的预测位置；Ct,j表示第t帧第j个结节的实际检测位置；表示位置权重； 通过特征匹配，若匹配到结节，则输出结节的变化趋势；若未匹配到结节，标记新增结节、前一帧结节标记为消失； 步骤S5、针对良性与恶性结节的特异性差异，分别通过形态特征模块、密度特征模块与动态特征模块提取肺结节的形态、密度、动态三个维度的特征，为诊断决策提供输入； 步骤S6、采用临床诊断模型，输出良恶性的诊断结果。

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吉林农业大学，其通讯地址为：130118 吉林省长春市新城大街2888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。