買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉中南大學(xué)申請(qǐng)的專(zhuān)利一種用于口腔黏膜病變的圖像識(shí)別系統(tǒng)獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN120259286B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202510731129.8，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)一種用于口腔黏膜病變的圖像識(shí)別系統(tǒng)是由劉桂;張凌燕;黃俊輝設(shè)計(jì)研發(fā)完成，并于2025-06-03向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種用于口腔黏膜病變的圖像識(shí)別系統(tǒng)在說(shuō)明書(shū)摘要公布了：本發(fā)明涉及圖像處理技術(shù)，提供了一種用于口腔黏膜病變的圖像識(shí)別系統(tǒng)，旨在提高口腔圖像處理的精度與效率；系統(tǒng)包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、圖像分割模塊、病變區(qū)域分類(lèi)模塊和報(bào)告展示與可視化模塊；通過(guò)圖像金字塔、Sobel邊緣檢測(cè)、Otsu閾值分割及局部對(duì)比度加權(quán)優(yōu)化技術(shù)，圖像分割模塊實(shí)現(xiàn)了高精度的病變區(qū)域分割；病變區(qū)域分類(lèi)模塊結(jié)合特征組合、特征交互、HEMish激活函數(shù)和可變擴(kuò)張因果卷積等技術(shù)，精確分類(lèi)口腔病變區(qū)域；本發(fā)明通過(guò)多層次、多維度的技術(shù)手段，顯著提高了病變區(qū)域的識(shí)別精度、魯棒性與適應(yīng)性，解決了傳統(tǒng)系統(tǒng)中存在的精度低、識(shí)別不穩(wěn)定等問(wèn)題，推動(dòng)了口腔黏膜病變圖像識(shí)別領(lǐng)域的技術(shù)進(jìn)步。

本發(fā)明授權(quán)一種用于口腔黏膜病變的圖像識(shí)別系統(tǒng)在權(quán)利要求書(shū)中公布了：1.一種用于口腔黏膜病變的圖像識(shí)別系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊；所述數(shù)據(jù)采集模塊，采集原始口腔圖像數(shù)據(jù)；所述數(shù)據(jù)預(yù)處理模塊，將原始口腔圖像數(shù)據(jù)進(jìn)行預(yù)處理，生成預(yù)處理口腔圖像數(shù)據(jù)；其特征在于：所述系統(tǒng)還包括圖像分割模塊和病變區(qū)域分類(lèi)模塊； 所述圖像分割模塊，結(jié)合圖像金字塔、Sobel邊緣檢測(cè)、Otsu閾值分割和局部對(duì)比度加權(quán)優(yōu)化技術(shù)構(gòu)建多尺度加權(quán)Otsu邊緣分割模型，通過(guò)多尺度加權(quán)Otsu邊緣分割模型處理預(yù)處理口腔圖像數(shù)據(jù)，生成多尺度邊緣分割圖； 所述病變區(qū)域分類(lèi)模塊，建立卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)引入特征組合、特征交互、HEMish激活函數(shù)和可變擴(kuò)張因果卷積改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建多尺度扭曲-可變卷積神經(jīng)網(wǎng)絡(luò)模型；通過(guò)多尺度扭曲-可變卷積神經(jīng)網(wǎng)絡(luò)模型處理多尺度邊緣分割圖，生成病變區(qū)域分類(lèi)信息； 多尺度加權(quán)Otsu邊緣分割模型包括多尺度圖像金字塔單元、Sobel算子邊緣檢測(cè)單元、多尺度Otsu閾值單元和生成單元； 多尺度扭曲-可變卷積神經(jīng)網(wǎng)絡(luò)模型包括全連接層1、Dropout層、全連接層2、殘差連接和輸出層； 所述病變區(qū)域分類(lèi)模塊，生成病變區(qū)域分類(lèi)信息的過(guò)程，具體包括以下步驟： 步驟D1：特征組合：將多尺度邊緣分割圖進(jìn)行乘積組合和成對(duì)乘積求和，生成組合特征數(shù)據(jù)； 步驟D2：特征交互：將組合特征數(shù)據(jù)通過(guò)ReLU激活函數(shù)進(jìn)行非線性變換，捕捉組合特征數(shù)據(jù)的高階交互關(guān)系，生成豐富高階特征表示； 步驟D3：特征變換：結(jié)合Mish的平滑性、高斯函數(shù)、雙曲正切函數(shù)和可調(diào)超參數(shù)，構(gòu)建HEMish激活函數(shù)；將豐富高階特征表示進(jìn)行線性變換，再通過(guò)HEMish激活函數(shù)進(jìn)行非線性變換，生成深層特征表示； 步驟D4：特征映射1：通過(guò)全連接層1處理深層特征表示，生成全連接層1特征數(shù)據(jù)集；通過(guò)全連接層1學(xué)習(xí)深層特征表示，輸出擴(kuò)張因子控制信號(hào)； 步驟D5：因果卷積：通過(guò)可變擴(kuò)張因果卷積捕捉全連接層1特征數(shù)據(jù)集中的長(zhǎng)期依賴(lài)關(guān)系，生成可變因果特征數(shù)據(jù)； 步驟D6：批歸一化處理：將可變因果特征數(shù)據(jù)進(jìn)行批歸一化處理，減少訓(xùn)練中的內(nèi)部協(xié)方差變化，生成批歸一化特征數(shù)據(jù)； 步驟D7：Dropout處理：將批歸一化特征數(shù)據(jù)通過(guò)Dropout層隨機(jī)丟棄一部分神經(jīng)元，生成Dropout特征數(shù)據(jù)； 步驟D8：特征映射2：通過(guò)全連接層2對(duì)Dropout特征數(shù)據(jù)精煉特征表示，生成全連接層2特征數(shù)據(jù)； 步驟D9：生成分類(lèi)結(jié)果：將全連接層2特征數(shù)據(jù)輸入到輸出層，生成病變區(qū)域分類(lèi)信息； 步驟D10：殘差連接：在全連接層1和全連接層2之間加入殘差連接。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人中南大學(xué)，其通訊地址為：410083 湖南省長(zhǎng)沙市岳麓區(qū)麓山南路932號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。