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！

龍圖騰網獲悉湖南科技大學申請的專利一種基于二階段網絡的CT序列圖像肺結節檢測方法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：CN116958080B 。

龍圖騰網通過國家知識產權局官網在2025-09-09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：202310884710.4，技術領域涉及：G06T7/00；該發明授權一種基于二階段網絡的CT序列圖像肺結節檢測方法是由廖苗;伍蕙珠;邸拴虎;趙于前設計研發完成，并于2023-07-19向國家知識產權局提交的專利申請。

本一種基于二階段網絡的CT序列圖像肺結節檢測方法在說明書摘要公布了：本發明公開了一種基于二階段網絡的CT序列圖像肺結節檢測方法，具體實現為：1建立包含原始CT序列圖像和其對應的肺結節標注的訓練數據集；2構建一種用于肺結節檢測的二階段網絡，包含一個用于提取候選肺結節的U形主網絡和一個用于生成肺結節假陽性抑制掩摸的寄生網絡；3構建一種帶邊緣的交叉熵損失函數；4利用訓練數據集對網絡進行訓練；5運用訓練好的網絡對待檢測的CT序列圖像進行測試，獲得肺結節檢測結果。本發明通過采用一個二階段的網絡，可有效抑制假陽性結節，提高肺結節檢測精度。

本發明授權一種基于二階段網絡的CT序列圖像肺結節檢測方法在權利要求書中公布了：1.一種基于二階段網絡的CT序列圖像肺結節檢測方法，其特征在于，包括以下步驟： 1建立包含原始CT序列圖像和其對應的肺結節標注的訓練數據集A，并將訓練數據集A按4:1比例劃分為訓練子集和驗證子集； 2構建一種用于肺結節檢測的二階段網絡，稱之為TS-Net，具體包括： 2-a構建一種基于并聯下采樣和稠密塊的U形主網絡，稱之為PPD-UNet，用于CT序列圖像候選肺結節提取，該網絡具體包括：采用帶跳躍連接的U型結構作為網絡基準框架，其中編碼路徑由5個編碼塊級聯組成，解碼路徑由4個解碼塊級聯組成；第1個編碼塊由兩個3×3×3卷積層連接組成，第2、3、4個編碼塊的結構相同，均由一個并聯下采樣塊和一個稠密塊連接組成，第5個編碼塊由一個并聯下采樣塊、一個稠密塊和一個步長為2的反卷積塊連接組成；第1個編碼塊的輸入為原始CT序列圖像，且上一個編碼塊的輸出均作為下一個編碼塊的輸入；第1個、第2個和第3個解碼塊的結構相同，均由一個拼接操作、一個稠密塊和一個步長為2的反卷積塊連接組成，第4個解碼塊由一個拼接操作、一個3×3×3卷積和一個Sigmoid激活函數連接組成；由于跳躍連接的引入，第4和第5個編碼塊的輸出均作為第1個解碼塊的輸入，第3個編碼塊和第1個解碼塊的輸出均作為第2個解碼塊的輸入，第2個編碼塊和第2個解碼塊的輸出均作為第3個解碼塊的輸入，第1個編碼塊和第3個解碼塊的輸出均作為第4個解碼塊的輸入；原始CT序列圖像為PPD-UNet的輸入，第4個解碼塊的輸出為PPD-UNet的輸出； 2-b步驟2-a所述的并聯下采樣模塊，具體結構包括：對于輸入特征其中C表示輸入特征X的通道數，2D、2H、2W分別表示輸入特征X每個通道三維特征圖的深、高、寬，首先分別采用均值池化、最大值池化和步長為2的跨步卷積對進行下采樣，獲取特征并將X1、X2、X3進行拼接獲取接著對XC分別在三個分支上進行3×3×3卷積，獲取特征然后分別對進行全局均值池化和Sigmoid激活，獲取三組長度為C的通道向量并分別將X1與W1、X2與W2、X3與W3進行基于廣播機制的點乘，即X1中第i個通道特征圖的每一個像素均與通道向量W1中第i個值相乘，i＝1,2,..,C，X2中第i個通道特征圖的每一個像素均與通道向量W2中第i個值相乘，X3中第i個通道特征圖的每一個像素均與通道向量W3中第i個值相乘，由此得到特征最后將的各元素進行相加，得到輸出特征 2-c步驟2-a所述的稠密塊，具體結構包括： 2-c-ⅰ構建由“批歸一化+Relu激活+3×3×3卷積+批歸一化+Relu激活+1×1×1卷積”構成的卷積組合； 2-c-ⅱ依次連接n個步驟2-c-i所述的卷積組合，除最后一個卷積組合之外，在其他所有卷積組合之后增加一個拼接操作，其中，第一個卷積組合之后連接的拼接操作，用于拼接稠密塊的輸入特征與第一個卷積組合的輸出，其余拼接操作則用于拼接當前卷積組合與前一個卷積組合的輸出； 2-d采用步驟2-b所述的并聯下采樣、步驟2-c所述的稠密塊，以及混合注意力模塊，構建一種寄生網絡，用于生成肺結節假陽性抑制掩摸，該寄生網絡稱之為JS-Net，具體結構包括：首先對輸入CT序列圖像依次進行3×3×3卷積、稠密塊特征提取、和并聯下采樣，得到特征圖F1，然后將F1與PPD-UNet第3個解碼塊中稠密塊的輸出進行拼接，得到特征圖F2，接著對F2依次執行混合注意力、稠密塊、和步長為2的反卷積模塊，得到特征圖F3，并將F3與PPD-UNet第4個解碼塊中3×3×3卷積的輸出進行拼接，得到特征圖F4，最后對F4依次執行混合注意力、3×3×3卷積和Sigmoid激活，得到JS-Net網絡的輸出； 2-e步驟2-d所述的混合注意模塊，具體結構包括： 2-e-ⅰ采用兩個平行的分支獲取輸入特征的通道注意力權重和像素注意力權重，具體包括，對于輸入特征其中c1表示輸入特征f的通道數，d1、h1、w1分別表示輸入特征f每個通道三維特征圖的深、高、寬，第一個分支對依次進行全局均值池化、3×3×3卷積、Relu激活、3×3×3卷積和Sigmoid激活，獲取通道注意力權重第二個分支對依次進行3×3×3卷積、Relu激活、3×3×3卷積和Sigmoid激活，獲取像素注意力權重 2-e-ⅱ根據廣播機制，將權重和進行相加，獲得混合注意力權重 2-e-ⅲ將輸入特征與混合注意力權重進行點乘，得到輸出特征； 2-f將PPD-UNet和JS-Net的輸出進行點乘，即可得到TS-Net的輸出； 3構建一種帶邊緣的交叉熵損失函數MCELoss： 其中，pj表示將第j個像素預測為肺結節的概率，gj表示第j個像素屬于肺結節的真實概率，α和β為預設參數，α用于平衡正負樣本，β用于設置無損區間；簡單易分類的樣本通常來源于正常肺部區域，雖然作為簡單樣本產生的損失較小，但由于正常肺部區域在CT圖像中的占比較大，因此仍然會產生大量的損失；考慮到類不平衡造成的訓練困難，MCELoss函數對|gj-pj|＜β的簡單樣本不統計損失，將交叉熵函數縮小映射在困難樣本區間，使網絡重點關注肺結節與假陽性區域的識別； 4采用訓練數據集A對TS-Net網絡進行訓練，具體訓練策略包括：首先對PPD-UNet進行訓練，其初始學習率設置為0.01，當驗證子集的MCELoss值在訓練過程中超過連續5個epoch未下降時，將學習率下調為原來的110；此外，在10個epoch后開始訓練JS-Net，其學習率調整策略與PPD-UNet一致； 5采用訓練好的TS-Net對待檢測的CT序列圖像進行測試，獲取圖像中每一個像素屬于肺結節的概率，最后通過引入閾值λ，即可得到肺結節檢測結果。

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湖南科技大學，其通訊地址為：411100 湖南省湘潭市雨湖區石碼頭2號；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”。