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！

龍圖騰網獲悉北京中科云影科技有限公司申請的專利一種醫療影像數據的分割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：CN119963567B 。

龍圖騰網通過國家知識產權局官網在2025-09-12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：202510050520.1，技術領域涉及：G06T7/10；該發明授權一種醫療影像數據的分割方法及系統是由蘇同金設計研發完成，并于2025-01-13向國家知識產權局提交的專利申請。

本一種醫療影像數據的分割方法及系統在說明書摘要公布了：本發明屬于影像分割技術領域，公開了一種醫療影像數據的分割方法及系統。所述的方法包括如下步驟：采集若干歷史醫療影像數據，并對若干歷史醫療影像數據進行圖像處理，得到設置有真實標簽的若干圖像處理后歷史醫療影像數據；根據若干圖像處理后歷史醫療影像數據，使用注意力多尺度融合深度學習算法，構建醫療影像數據分割模型；采集實時醫療影像數據，并使用醫療影像數據分割模型，對實時醫療影像數據進行醫療影像數據分割，得到實時醫療影像數據分割結果。本發明解決了現有技術存在的分割精度不足、模型泛化能力差以及自動化和智能化程度低的問題。

本發明授權一種醫療影像數據的分割方法及系統在權利要求書中公布了：1.一種醫療影像數據的分割方法，其特征在于：包括如下步驟： 采集若干歷史醫療影像數據，并對若干歷史醫療影像數據進行圖像處理，得到設置有真實標簽的若干圖像處理后歷史醫療影像數據； 根據若干圖像處理后歷史醫療影像數據，使用注意力多尺度融合深度學習算法，構建醫療影像數據分割模型，包括如下步驟： 使用CNN算法，構建分割網絡，并引入多尺度特征融合機制，對分割網絡進行改進，得到多尺度特征融合網絡； 所述的多尺度特征融合網絡包括依次連接的多尺度輸入層、多尺度特征提取層以及多尺度特征輸出層； 引入注意力機制，對多尺度特征融合網絡進行改進，得到初始的醫療影像數據分割模型，包括如下步驟： 在多尺度特征融合網絡的多尺度輸入層與多尺度特征提取層之間，設置注意力生成層； 在多尺度特征融合網絡的多尺度特征提取層與多尺度特征輸出層之間，設置注意力加權融合層； 在多尺度特征輸出層之后，設置注意力調整層，得到初始的醫療影像數據分割模型； 使用若干圖像處理后歷史醫療影像數據，對初始的醫療影像數據分割模型進行優化訓練，得到優化的醫療影像數據分割模型，并生成若干歷史醫療影像數據分割結果； 根據若干歷史醫療影像數據分割結果，對優化的醫療影像數據分割模型進行分割效果分析，得到實時分割效果分析結果，包括如下步驟： 提取若干歷史醫療影像數據分割結果的歷史特征向量，并對若干歷史特征向量進行標準化處理，得到若干標準化處理后歷史特征向量； 根據若干標準化處理后歷史特征向量，構建特征空間，并使用k-NN算法，獲取特征空間中每一歷史特征向量的k個鄰居； 根據每一歷史特征向量的k個鄰居，進行分割效果分析，得到優化的醫療影像數據分割模型的實時分割效果分析結果，包括如下步驟： 獲取每一歷史特征向量與k個鄰居的歐式距離，并根據若干歐式距離的平均距離，得到分割效果一致性評分； 根據若干歐式距離的距離標準差，得到分割效果不確定性評分； 根據分割效果一致性評分和分割效果不確定性評分，得到優化的醫療影像數據分割模型的實時分割效果分析結果； 根據實時分割效果分析結果，使用群智能優化算法，對優化的醫療影像數據分割模型的模型參數進行優化，得到最終的醫療影像數據分割模型，包括如下步驟： 根據實時分割效果分析結果，定義群智能優化算法的優化目標，并將優化的醫療影像數據分割模型的模型參數編碼為群智能優化算法的個體向量； 根據優化目標和個體向量，使用群智能優化算法，在搜索空間中進行迭代尋優，得到最優個體，包括如下步驟： 設定ISSA算法的算法參數和最大迭代次數，并根據優化目標，設定適應度函數； ISSA算法的算法參數包括搜索空間為N×D維度，確定搜索空間食物為F＝[F1,F2,...,FD]T和麻雀位置為X＝[Xh1,Xh2,...,XhD]T；其中，F為搜索空間食物矩陣，F1,F2,...,FD均為搜索空間食物矩陣元素，X為麻雀位置矩陣，Xh1,Xh2,...,XhD均為麻雀位置矩陣元素，N為ISSA個體數量，D為模型優化問題的維度；h為麻雀總數； 公式為： 式中，fXc為ISSA個體Xc的適應度值；AXc為ISSA個體Xc的不確定性函數；TXc為ISSA個體Xc的一致性函數；α、β均為權重系數；為不為0的最小實數；c為ISSA個體指示量； 根據算法參數和個體向量，使用Circle混沌映射序列進行初始化，得到包括若干初始的ISSA個體的初始的ISSA種群； 公式為： 式中，X'c為Circle混沌映射的初始的ISSA個體；Xc *為隨機生成的初始的ISSA個體； 使用適應度函數，得到所有初始的ISSA種群的初始的適應度值，并根據初始的適應度值，對初始的ISSA個體進行排序，得到初始的發現者、初始的加入者以及初始的捕食者； 對初始的ISSA種群進行更新，得到更新的ISSA種群；更新的ISSA種群包括更新的發現者、更新的加入者以及更新的捕食者； 發現者的更新公式為： 式中，分別為第t+1、t次迭代的第c個發現者ISSA個體；itermax為最大迭代次數；ξ為0到1之間的隨機數；Q為正態分布隨機數；L為1×D的矩陣，其元素全為1；R2為警戒值；ST為安全閾值； 加入者的更新公式為： 式中，分別為第t+1、t次迭代的第c個加入者ISSA個體；為暴露身份者占據的最佳位置；為當前最差位置；itermax為最大迭代次數閾值；ξ為0到1之間的隨機數；L為1×D的矩陣，其元素全為1或者-1；A+為位置更新參數； 捕食者的更新公式為： 式中，分別為第t+1、t次迭代的第c個捕食者ISSA個體；δ為步長控制參數，且δ＝a"·γ"，a"為收斂因子，γ"為不為0的步長控制正實數；為當前最佳位置；fc、fg、fw分別為ISSA個體的當前、最佳以及最差適應度；γ為最小常數，防止分母為0； 式中，a"為收斂因子；tanh.為雙曲正切函數；t為迭代指示量；tmax為最大迭代次數；amax、amin分別為收斂因子的最大、小值；λ為遞減速率參數，k"為遞減周期參數； 使用動態反向學習算法，對更新的ISSA種群進行動態反向學習，生成動態反向的ISSA種群； 公式為： 式中，為動態反向的ISSA個體；γ*為遞減慣性系數；ub為搜索空間上限；lb為搜索空間下限；為更新的ISSA個體； 使用適應度函數，獲取更新的ISSA種群和動態反向的ISSA種群中所有的ISSA個體的更新的適應度值，并根據更新的適應度值，得到最優個體； 若當前迭代次數大于最大迭代次數或最優個體的適應度值小于適應度閾值，則輸出最優個體； 對最優個體的個體向量進行解碼，得到優化的醫療影像數據分割模型的最優的模型參數； 根據最優的模型參數，對優化的醫療影像數據分割模型進行優化，得到最終的醫療影像數據分割模型； 采集實時醫療影像數據，并使用醫療影像數據分割模型，對實時醫療影像數據進行醫療影像數據分割，得到實時醫療影像數據分割結果。

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北京中科云影科技有限公司，其通訊地址為：100000 北京市大興區北京經濟技術開發區科創十三街18號院8號樓2層202室(門牌號)；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”。