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！

龙图腾网获悉哈尔滨理工大学申请的专利一种融合样本内对照信息的宫颈异常细胞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：CN115760764B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202211444831.9，技术领域涉及：G06T7/00；该发明授权一种融合样本内对照信息的宫颈异常细胞识别方法是由朱素霞;梁義钦;李超炜;康兰兰;丁博设计研发完成，并于2022-11-18向国家知识产权局提交的专利申请。

本一种融合样本内对照信息的宫颈异常细胞识别方法在说明书摘要公布了：一种融合样本内对照信息的宫颈异常细胞识别方法，本发明涉及细胞病理检测中，样本间的差异性导致宫颈异常细胞识别精确率低、假阳性率高的问题。由于不同生理状态、不同年龄段的宫颈病理状态具有天然差异，宫颈细胞的形态、大小并不相同，而深度学习方法主要使用来自不同样本的宫颈异常细胞标注数据训练模型，极少考虑到宫颈细胞病理样本间的差异性，导致了宫颈异常细胞识别标准模糊，精确率低，假阳性率高等问题。为改善这一问题，本发明提出了一种融合样本内对照信息的宫颈异常细胞识别方法。实验表明，该方法能够有效对比样本内正常细胞的形态特征识别异常细胞，降低了宫颈异常细胞识别的假阳性率，提高了样本检测准确率、敏感度和特异度。本发明主要应用于宫颈细胞病理检测中异常细胞识别。

本发明授权一种融合样本内对照信息的宫颈异常细胞识别方法在权利要求书中公布了：1.一种融合样本内对照信息的宫颈异常细胞识别方法，其特征在于，包含如下步骤： S1、准备宫颈异常细胞检测训练数据、宫颈正常中层鳞状上皮细胞检测训练数据和细胞核与细胞质分割训练数据； S2、训练宫颈异常细胞检测模型、宫颈正常中层鳞状上皮细胞检测模型、以及基于solov2网络结构的细胞核和细胞质分割模型； S3、利用步骤S2训练的检测模型获取正常细胞和分割模型提取细胞形态学参数，并将所述形态学参数与步骤S1的检测训练数据融合，准备融合样本内对照信息的宫颈异常细胞分类训练数据； S4、构建并训练融合样本内对照信息的宫颈异常细胞分类模型； S5、利用已训练检测模型、分割模型和分类模型识别宫颈细胞病理全景图下宫颈异常细胞；利用步骤S2训练的检测模型获取正常细胞和分割模型提取细胞形态学参数，并将所述形态学参数与步骤S1的检测训练数据融合，获得融合样本内对照信息的宫颈异常细胞分类数据，具体步骤如下： 首先，将阳性样本全景图依次裁剪为一定大小的图片，并利用宫颈正常中层鳞状上皮细胞检测模型预测裁剪图片，获得正常中层鳞状上皮细胞图片，同时将阳性样本中医生标注的异常细胞裁剪出来，获得异常细胞图片；然后，将每个样本的正常中层鳞状上皮细胞图片和异常细胞图片送入细胞核与细胞质分割模型，获得每个细胞图片的细胞核与细胞质轮廓信息；接着，通过轮廓信息计算细胞特征指标，包括细胞核面积、细胞核积分光密度、细胞核圆度和核质比，计算公式如下： 1 式中，为细胞核面积，为细胞核区域，为细胞核区域的某个像素点，细胞核面积则为细胞核区域内像素点数之和； 2 3 式中，为图片位置处的亮度，分别为图片位置处三通道像素值，为细胞质区域的平均亮度，为细胞核积分光密度，反映了细胞核内染色质含量； 4 式中，为细胞核圆度，为细胞核周长，即细胞核轮廓长度； 5 式中，为细胞核质比，为细胞质面积，即细胞质区域内像素点数之和；然后，取单个样本中所有正常中层鳞状上皮细胞特征指标的平均值作为该样本的样本基准特征指标，利用每个异常细胞特征指标除以对应的样本基准特征指标，即可得每个异常细胞图片的样本内对照特征指标；最后，保留细胞质轮廓信息以内的图像，将细胞质轮廓以外的区域填充为黑色，进而获得无背景的异常细胞图片，每个无背景的异常细胞图片和对应的样本内对照特征指标组合成为宫颈异常细胞分类训练数据，其类别标签由病理医生提供。

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哈尔滨理工大学，其通讯地址为：150080 黑龙江省哈尔滨市学府路52号哈尔滨理工大学；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。