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！

龙图腾网获悉西南交通大学申请的专利基于GDKAN与多阶上下文交互门控的病理图像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：CN121527083B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202610043833.9，技术领域涉及：G06T7/00；该发明授权基于GDKAN与多阶上下文交互门控的病理图像诊断方法是由龚勋;卢小燕设计研发完成，并于2026-01-14向国家知识产权局提交的专利申请。

本基于GDKAN与多阶上下文交互门控的病理图像诊断方法在说明书摘要公布了：本发明提供了基于GDKAN与多阶上下文交互门控的病理图像诊断方法，属于医学影像处理与人工智能交叉技术领域，方法包括：步骤1：收集全视野病理全切片图像；步骤2：构建自适应分组动态Kolmogorov–Arnold网络；步骤3：构建自适应分组的GDKansformer编码模块；步骤4：建立多阶上下文交互门控机制；步骤5：训练得到GDKansformer模型；步骤6：输出病理图像病变识别结果。本发明通过预处理‑动态特征优化‑多阶上下文交互门控融合‑分类优化的全流程设计，实现病理图像的自动化诊断。

本发明授权基于GDKAN与多阶上下文交互门控的病理图像诊断方法在权利要求书中公布了：1.基于GDKAN与多阶上下文交互门控的病理图像诊断方法，其特征在于，包括： 步骤1：收集全视野病理全切片图像，对其依次进行颜色标准化、去噪及组织区域分割；在预设放大倍率下，以固定步长滑窗将处理后的图像裁剪为预设尺寸的图像块，对图像块经线性投影与预设倍数卷积下采样生成图像块嵌入，得到序列特征； 步骤2：构建自适应分组动态Kolmogorov–Arnold网络，基于序列特征的统计量由分组策略网络自适应确定分组数及通道划分，计算各分组特征的像素或通道层面信息熵并得到密度系数，在预设样条数量上下界内为各分组动态分配基样条函数数量；对分组特征施加动态Kolmogorov–Arnold网络运算，结合该运算结果的线性变换与分组特征经GELU函数激活后的线性变换，得到自适应分组动态Kolmogorov–Arnold网络输出特征； 考虑输入张量，批大小、token数、特征维，由分组策略自适应确定分组数及每组通道划分，按特征维将均分为组： ； 为第个子特征块，,随后在token维度上进行拼接，并在批次维度展平： ； 表示把沿token维拼接得到的新特征；由分组+拼接+展平得到、送入动态KAN的输入特征； 步骤3：构建自适应分组GDKansformer编码模块，以Transformer编码块为主体，将自适应分组动态Kolmogorov–Arnold网络输出特征作为非线性映射单元，替代传统线性映射生成自注意力的查询矩阵、键矩阵、值矩阵；基于查询矩阵和键矩阵计算缩放点积注意力，将值矩阵按注意力头拆分后，通过分组动态Kolmogorov–Arnold网络对各头值矩阵执行非线性插值，拼接插值后头值矩阵与对应注意力结果，得到自适应分组GDKansformer编码输出特征； 步骤4：建立多阶上下文交互门控机制，对GDKansformer编码输出特征执行空间特征增强操作，经卷积、批归一化抑制冗余通道特征，结合全局平均池化与GELU函数激活得到增强特征；对增强特征经一维卷积与Softmax生成门控权重，基于该权重聚合像素级非局部上下文与自适应局部上下文特征，得到多阶上下文交互门控机制输出特征； 步骤5：对多阶上下文交互门控机制输出特征执行全局平均池化，将池化结果输入全连接层并经Softmax得到病理图像类别预测概率；训练阶段以交叉熵损失为基础，结合L2权重衰减正则构建总损失函数，对模型所有可学习参数进行端到端优化，得到GDKansformer模型； 步骤6：将待诊断的全视野病理全切片图像输入GDKansformer模型，输出病理图像病变识别结果； 步骤1中以固定步长滑窗将处理后的图像裁剪为预设尺寸的图像块，具体为：仅对经组织区域分割后得到的组织区域部分执行裁剪操作，排除全视野病理全切片图像中的背景区域，得到仅包含组织的预设尺寸图像块； 步骤2中计算各分组特征的像素或通道层面信息熵，具体为：对由分组策略确定的每个分组特征执行softmax运算，得到该分组特征的激活强度分布；基于激活强度分布，按信息熵公式计算该分组特征的像素或通道层面不确定性，不确定性即为信息熵； 步骤2中基于信息熵得到密度系数，具体为：计算所有分组特征的信息熵的最大值与最小值；对每个分组特征的信息熵执行max–min归一化运算，得到该分组特征对应的密度系数； 步骤2中结合该运算结果的线性变换与分组特征经GELU函数激活后的线性变换，得到分组动态Kolmogorov–Arnold网络输出特征，具体为：对施加动态Kolmogorov–Arnold网络运算后的结果执行线性变换，得到第一线性输出；对原始的分组特征执行GELU函数处理后再执行线性变换，得到第二线性输出；将第一线性输出与第二线性输出相加，得到自适应分组动态Kolmogorov–Arnold网络输出特征； 步骤4中对步骤3的编码输出特征执行空间特征增强操作，具体为：对GDKansformer编码输出特征执行批归一化处理，再通过卷积压缩通道维度得到压缩特征；对压缩特征执行全局平均池化，得到通道全局特征；计算压缩特征与通道全局特征的差值，将差值与预设通道权重系数相乘后与压缩特征相加，再通过GELU函数，得到增强特征； 步骤4中聚合像素级非局部上下文与自适应局部上下文特征，具体为：自适应局部上下文特征为增强特征经深度可分离卷积与组卷积处理得到的特征；像素级非局部上下文特征为增强特征经全局平均池化与卷积处理得到的特征；基于门控权重对两种上下文特征进行加权求和，得到聚合后的特征。

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西南交通大学，其通讯地址为：610000 四川省成都市金牛区二环路北一段111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。