買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉福州大學申請的專利融合多個多尺度特征提取的病理切片圖像分類方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115861638B 。

龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210725977.4，技術領域涉及：G06V10/44；該發明授權融合多個多尺度特征提取的病理切片圖像分類方法及系統是由李蘭蘭;陳孟鈮;王大彪;耿藝設計研發完成，并于2022-06-24向國家知識產權局提交的專利申請。

本融合多個多尺度特征提取的病理切片圖像分類方法及系統在說明書摘要公布了：本發明涉及一種融合多個多尺度特征提取的病理切片圖像分類方法及系統，該方法包括以下步驟：在訓練過程，先對訓練用的病理切片圖像進行圖像預處理，得到一個訓練數據集，然后使用同一個訓練數據集對三個基于多尺度特征提取的病理切片圖像分類網絡Net1、Net2、Net3進行訓練，得到相應的三個訓練好的模型model_1、model_2、model_3；在測試過程，對測試用的病理切片圖像也進行圖像預處理，得到測試數據集，然后利用三個訓練好的模型對測試數據集進行預測，得到各自的分類值score1、score2、score3，然后結合權重對這三個值進行投票，得到最終的分類值scoref。該方法及系統有利于提高圖像分類的準確性。

本發明授權融合多個多尺度特征提取的病理切片圖像分類方法及系統在權利要求書中公布了：1.一種融合多個多尺度特征提取的病理切片圖像分類方法，其特征在于，包括以下步驟： 在訓練過程，先對訓練用的病理切片圖像進行圖像預處理，得到一個訓練數據集traindataset，然后使用同一個訓練數據集對三個基于多尺度特征提取的病理切片圖像分類網絡Net1、Net2、Net3進行訓練，得到相應的三個訓練好的模型model_1、model_2、model_3； 在測試過程，對測試用的病理切片圖像也進行圖像預處理，得到測試數據集testdataset，然后利用三個訓練好的模型model_1、model_2、model_3對測試數據集進行預測，得到各自的分類值score1、score2、score3，然后結合權重對這三個值進行投票，得到最終的分類值scoref； 所述三個基于多尺度特征提取的病理切片圖像分類網絡Net1、Net2、Net3為FPNINet、ResNetv2p、ASPPoolNet； 所述FPNINet網絡中，輸入圖像經過FPN模塊提取出不同尺度的4個特征結果，所述4個特征結果得到的特征圖由淺到深、大小不一，淺層的特征圖通過一個NIN網絡層來減小特征圖大小和提取圖像特征，然后連接融合同樣大小的上一層特征圖，重復提取融合再上一層特征圖的操作直到所有特征圖都被融合；此時，網絡的輸出結果是所有特征圖像的集合；將以上數據通過dropout層和HighwayNetwork進行處理，利用dropout層隨機去掉部分信息值，通過HighwayNetwork提取特征信息，然后輸入分類器，最后通過分類器進行分類； 所述ResNetv2p網絡以ResNetv2結構為基礎，在網絡結構中插入CBAM注意力機制，以提升重要的通道信息和空間信息的權重；所述ResNetv2p網絡將PyConv模塊插入ResNetv2中代替殘差分支上的一個卷積層，所述PyConv模塊將圖像特征分別輸入四個大小不同的卷積核，然后將四個卷積核輸出的不同深度的圖像特征融合，通過ResNetv2網絡輸出結果； 所述ASPPoolNet網絡包括4個使用了空洞卷積的ResNet網絡層L1、L2、L3、L4和2個CBAM注意力機制模塊，輸入圖像先經過一個初始化卷積層、L1網絡層和CBAM注意力機制模塊，然后分為兩路，一路通過全局平均池化和上采樣層提取出當前特征圖的全局特征，一路通過L2、L3、L4網絡層和ASPP模塊，ASPP模塊通過一個池化層將不同大小的空洞卷積提取的不同層次的特征融合在一張特征圖上，然后和1×1卷積計算后的結果融合，再通過NIN網絡層、CBAM注意力機制模塊和池化層處理后，與另一路提取的全局特征融合起來，而后通過分類器輸出最后結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人福州大學，其通訊地址為：350108 福建省福州市閩侯縣福州大學城烏龍江北大道2號福州大學；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。