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！

龙图腾网获悉南通大学申请的专利一种基于模糊哈希网络的医学图像检索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：CN120067379B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202510132059.4，技术领域涉及：G06F16/583；该发明授权一种基于模糊哈希网络的医学图像检索方法是由丁卫平;周琳琳;张炜;陈红光;丁嘉陆;华启冲;陈悦鹏;周天奕;符凡;黄嘉爽;鞠恒荣设计研发完成，并于2025-02-06向国家知识产权局提交的专利申请。

本一种基于模糊哈希网络的医学图像检索方法在说明书摘要公布了：本发明提供了基于模糊哈希网络的医学图像检索方法，解决了当前深度哈希算法在医学图像检索中面临的图像复杂性、不确定性以及数据不平衡的技术问题。其技术方案为：首先，建立医学图像数据库并划分测试集和训练集；其次，基于模糊规则构建模糊哈希网络；然后，计算哈希中心损失、平衡损失、量化损失和分类损失；再次，根据损失函数采用交替学习算法优化网络参数；最后，从测试集读取图像，检索数据库中相似的图像，并计算检索的平均精度。本发明的有益效果为：增强了对医学图像中不确定性信息和类别不平衡问题的处理能力，提高了医学图像检索的准确性。

本发明授权一种基于模糊哈希网络的医学图像检索方法在权利要求书中公布了：1.一种基于模糊哈希网络的医学图像检索方法，其特征在于，包括以下步骤： S1：建立医学图像数据库，对数据库中的图像样本进行预处理，划分测试集和数据库，并从数据库中随机抽取n张图像作为查询集，为图像，为标签； S2：基于模糊规则构建模糊哈希网络，该网络包括自注意力机制引导的数据模糊化机制和基于Transformer的后件参数学习机制；将数据通过高斯函数进行模糊化，在模糊空间中计算自注意力分数，使用残差连接并结合层归一化方法得到模糊表示；基于Transformer的后件参数学习机制由一个Transformer编码器、两个多层感知机组成；Transformer编码器负责去模糊化，两个多层感知机分别用于生成哈希码和预测类别； 所述步骤S2包括步骤如下： S21：模糊哈希网络的模糊规则库定义如下： ； 其中，为查询集的第i个样本，为第r个规则前件的自注意力引导的模糊化函数，为第r个规则前件的模糊化函数对应的输入数据，是第r个规则的后件，为第r个规则的输出，R为规则数； S22：采用高斯函数作为隶属度函数，并利用模糊C均值聚类算法来估计高斯函数的中心和宽度；在确定模糊哈希网络的前件参数后，计算得到样本归一化的触发强度，则样本在新的模糊特征空间中的表示为： ； 其中，，为向量的维度； S23：融合自注意力机制的思想，通过评估不同样本之间的相关性得分，为特征向量分配相应的相似度权重；针对样本，改进后的模糊映射表示如下： ； 其中，代表了向量的维度，是为了防止softmax函数计算时上溢出；反映了样本之间的相似度，值较高表明两个样本在特征空间中具有较强的相似性，而值较低则表明样本之间的差异性； S24：为保留原始模糊化特征，使用残差连接并结合层归一化方法来避免梯度消失问题；因此，最终的模糊映射表示为： ； 其中，代表层归一化操作；基于式4，查询集X的模糊映射最终表示为； S25：对于融合自注意力思想的模糊表示，在基于Transformer的后件参数学习机制中得到第r个规则的哈希码和类别输出： ； ； 其中为第r个规则的Transformer编码器操作，为第r个规则的用于预测类别的多层感知机，为第r个规则的用于生成哈希码的多层感知机； S26：因此，查询集的哈希码和预测类别分别为： ； ； 其中，将值映射到[-1,1]范围内，，和分别是哈希码分支和预测类别分支的网络参数，和分别为哈希函数和预测函数； S3：根据步骤S2得到的哈希码和类别计算损失函数：哈希中心损失、平衡损失、量化损失和分类损失，得到整体损失函数：，其中、、为超参数； S4：根据整体损失函数，使用交替学习算法交替优化模糊哈希网络参数，并保存训练得到的模糊哈希网络模型； S5：将测试集中的第t个图像样本输入步骤S4保存的模糊哈希网络，得到对应的哈希码，k为哈希码长度；通过哈希码与数据库的哈希码U计算汉明距离，并将汉明距离按照升序排序；按要求返回检索到的前p张图像和计算检索的平均精度mAP。

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南通大学，其通讯地址为：226000 江苏省南通市崇川区永福路79号1幢南通大学技术转移研究院；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。