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！

龍圖騰網獲悉華東師范大學申請的專利一種正則化殘差學習的甲狀腺超聲影像結節分割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：CN115375709B 。

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：202211043256.1，技術領域涉及：G06T7/11；該發明授權一種正則化殘差學習的甲狀腺超聲影像結節分割方法是由全紅艷;湛長青;張宇;汪巧;周新恒設計研發完成，并于2022-08-29向國家知識產權局提交的專利申請。

本一種正則化殘差學習的甲狀腺超聲影像結節分割方法在說明書摘要公布了：本發明公開了一種正則化殘差學習的甲狀腺超聲影像結節分割方法，本發明的特點是，基于編碼解碼的網絡結構，采用正則化殘差學習，利用半監督學習策略實現甲狀腺超聲影像結節的分割。本發明能夠有效地產生甲狀腺超聲影像結節的分割結果，由于采用半監督學習策略，該方法能夠在少量標簽學習的情況下實現甲狀腺超聲影像結節分割，為醫學臨床甲狀腺疾病的診斷提供有效解決的方案。

本發明授權一種正則化殘差學習的甲狀腺超聲影像結節分割方法在權利要求書中公布了：1.一種正則化殘差學習的甲狀腺超聲影像結節分割方法，其特征在于，該方法輸入一個甲狀腺超聲影像序列，其影像分辨率為M×N，100≤M≤1000，100≤N≤1000，甲狀腺超聲影像結節分割包括以下步驟： 步驟1：構建數據集 采樣甲狀腺超聲影像a個序列，構建采樣數據集，其中每個序列中的幀數為b，并且10≤a≤50，40≤b≤80，從每個序列的b幀影像中均隨機選取c幀影像進行標注，給出甲狀腺結節的標簽，利用選取的c幀影像及標簽構建標注數據集C，其中20≤c≤30，再利用采樣數據集中剩余影像構建無標簽數據集D，從標注數據集C中隨機選取n個序列影像，3≤n≤10，從所述n個序列影像的每個序列中隨機選取75％的影像，利用所述選取的75％影像及對應標簽構建總訓練集，利用標注數據集C除去總訓練集數據后剩余的影像及標簽構建測試數據集G，進一步從總訓練集中隨機選取m個序列數據及對應的標簽,用于構建訓練集E,其中2≤mn，再利用所述總訓練集中的剩余影像及對應標簽構建訓練集F，進一步從測試數據集G中隨機選取10％的影像及對應標簽數據分別補充到訓練集E及訓練集F； 步驟2：構建神經網絡 神經網絡輸入的影像分辨率為p×q，p為寬度，q為高度，以像素為單位，100≤p≤1000，100≤q≤1000； 1基本分割網絡A 張量G作為輸入，尺度為α×o×p×1，張量g作為輸出,尺度為α×o×p×1，α為批次數量； 基本分割網絡A由編碼器和解碼器組成，對于張量G，依次經過編碼和解碼處理后，獲得輸出張量g； 編碼器由28個單元組成，第1個單元為卷積單元，包含16個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為2；第2至第13個單元的結構相同，包括激活處理，1次卷積運算，包含12個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1；第14個單元為卷積運算，包括激活處理，1次卷積運算，包含160個卷積核，卷積核的形狀均為1×1，一次空間池化處理，池化的尺度為2×2；第15至第26個單元的結構相同，包括激活處理，1次卷積運算，包含12個卷積核，卷積核的形狀均為3×3；第27個單元為批歸一化處理；第28個單元為卷積單元，包含304個卷積核，卷積核的形狀均為1×1，卷積的水平方向及垂直方向的步長均為1； 解碼器由3個單元組成，第1個單元為反卷積單元，包含128個卷積核，卷積核的形狀均為4×4，卷積的水平方向及垂直方向的步長均為2；第2個單元為反卷積單元，包含64個卷積核，卷積核的形狀均為4×4，卷積的水平方向及垂直方向的步長均為2；第3個單元為卷積單元，包含2個卷積核，卷積核的形狀均為1×1，卷積的水平方向及垂直方向的步長均為1； 2殘差學習網絡B 張量G及張量g作為輸入，尺度均為α×o×p×1，張量h作為輸出,尺度為α×o×p×1，α為批次數量； 殘差學習網絡B由3層殘差編碼單元和3層殘差解碼單元組成； 對于張量G，經過1次卷積運算，具體地，包含3個卷積核，卷積核的形狀均為1×1，卷積的水平方向及垂直方向的步長均為1，將得到的結果與張量g按照灰度通道進行串接后，得到張量I1；將張量I1依次進行以下3層殘差編碼單元處理和3層殘差解碼單元處理： 第1層殘差編碼單元處理為1次卷積運算，包含64個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，激活處理后再進行1次卷積運算，包含64個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，得到張量I2；再將張量I1進行1次卷積運算，包含64個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，批歸一化處理，激活處理后得到張量I3；將張量I2和張量I3相加后，得到張量I4；將張量I4輸入到如下第2層殘差編碼單元處理； 第2層殘差編碼單元處理時，將張量I4批歸一化處理、激活處理，之后，進行1次卷積運算，包含128個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為2，然后再歸一化處理、激活處理，之后，進行1次卷積運算，包含128個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，得到張量I5；再將張量I4進行1次卷積運算，包含128個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為2，再進行批歸一化處理，激活處理之后得到張量I6；將張量I5和張量I6相加后，得到張量I7，將張量I7輸入到如下第3層殘差編碼單元處理； 第3層殘差編碼單元處理時，將I7批歸一化處理、激活處理，之后，進行1次卷積運算，包含256個卷積核組成，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為2，然后再歸一化處理、激活處理，再進行1次卷積運算，包含256個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，得到張量I8；再將張量I7進行1次卷積運算，包含256個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為2，然后再歸一化處理、激活處理，得到張量I9，進一步將張量I8和張量I9相加，得到張量I10； 將張量I10進行批歸一化處理，激活處理之后進行1次卷積運算，包含512個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，然后再歸一化處理、激活處理，再進行1次卷積運算，包含512個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，得到張量I11，再將張量I11按照如下進行第1層殘差解碼單元處理： 在第1層殘差解碼單元處理時，將張量I10和張量I11按照第3通道進行串接，得到張量I12，將張量I12進行批歸一化處理、激活處理之后進行1次卷積運算，包含256個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，然后再歸一化處理、激活處理，再進行1次卷積運算，包含512個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，得到張量I13；再將張量I12進行1次卷積運算，包含256個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，再歸一化處理、激活處理，得到張量I14，將張量I13和張量I14相加，得到張量I15，再將張量I15按照如下進行第2層殘差解碼單元處理： 在第2層殘差解碼單元處理時，對I15進行上采樣得到的結果與張量I7進行串接得到張量I16，將得到的結果進行批歸一化處理、激活處理之后進行卷積運算，包含128個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，將得到的結果進行批歸一化處理、激活處理之后進行卷積運算，包含128個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，得到張量I17；再將張量I16進行卷積運算，包含128個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，將得到的結果進行批歸一化處理、激活處理之后進行卷積運算，得到張量I18，將張量I17與張量I18相加，得到張量I19；再將張量I19按照如下進行第3層殘差解碼單元處理： 在第3層殘差解碼單元處理時，對I19進行上采樣得到的結果與張量I4進行串接得到張量I20，將得到的結果進行批歸一化處理、激活處理之后進行卷積運算，包含64個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，將得到的結果進行批歸一化處理、激活處理之后進行卷積運算，包含64個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，得到張量I21；再將張量I20進行卷積運算，包含64個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，將得到的結果進行卷積運算，包含64個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，將得到的結果進行批歸一化處理、激活處理之后，得到張量I22；將張量I21與張量I22相加，將得到的張量進行卷積運算，包含2個卷積核，卷積核的形狀均為3×3，卷積的水平方向及垂直方向的步長均為1，得到張量h； 步驟3：神經網絡的訓練 在神經網路訓練過程中，每批次的交叉熵損失是利用網絡輸出的分割結果與網絡輸入數據的標簽計算，具體為： 其中，i表示第i個像素，Si表示第i個像素標簽，ti表示網絡輸出張量中第i個像素屬于甲狀腺結節區域的概率，W表述像素的個數； 1對基本分割網絡A訓練20000次 從訓練集E中獲取訓練數據，統一縮放到分辨率p×o，輸入到網絡A訓練，迭代優化，通過不斷修改網絡A的模型參數，使得每批次的損失達到最小，根據網絡A的輸出及網絡A輸入數據的標簽，利用公式1計算每批次的交叉熵損失； 2對殘差學習網絡B訓練20000次 利用步驟1中得到的網絡A的參數將網絡初始化，從訓練集F中獲取訓練數據，輸入到網絡A，得到張量g，再將張量G和張量g輸入到網絡B，迭代優化，通過不斷修改網絡B的模型參數，使得每批次的損失達到最小，根據網絡B的輸出及網絡A輸入數據的標簽，根據公式1計算每批次的交叉熵損失； 3對基本分割網絡A和網絡B聯合訓練20000次 利用步驟1和步驟2中訓練得到的網絡A和網絡B的參數將網絡初始化，取一個批次數據，其中所述一個批次數據的前一半批次有監督數據從訓練集F獲取，所述一個批次數據的后一半批次無監督數據從無標簽數據集D獲取，再將所述前一半批次有監督數據和所述后一半批次無監督數據按照灰度通道進行串接，將所得的張量輸入到網絡A，然后將網絡A輸出的張量g按照灰度通道分成網絡A的有監督數據輸出結果和網絡A的無監督數據輸出結果，再將張量G和張量g輸入到網絡B，然后將網絡B輸出的張量h按照灰度通道分成網絡B的有監督數據輸出結果和網絡B的無監督數據輸出結果； 訓練過程迭代優化，通過不斷修改和網絡A網絡B的模型參數，使得每批次的正則化殘差損失Z達到最小，正則化殘差損失Z利用公式2計算： Z＝L+U+V2 其中，L是根據網絡A的有監督數據輸出結果及所述有監督數據的標簽，利用公式1計算得到的交叉熵損失，U是根據網絡B的有監督數據輸出結果及所述有監督數據的標簽，利用公式1計算得到的交叉熵損失，V是根據網絡A的無監督數據輸出結果和網絡B的無監督數據輸出結果，利用結構相似性計算得到的正則化殘差一致性損失； 步驟4：對甲狀腺超聲影像結節分割 從甲狀腺超聲影像采集數據中取出1個批次為α的影像數據，并將影像的分辨率縮放為為p×q，p為寬度，q為高度，以像素為單位，100≤p≤1000，100≤q≤1000，構建張量G作為網絡A的輸入，利用訓練步驟3中得到的模型參數初始化模型A，利用模型A進行預測，得到張量g即為甲狀腺超聲影像結節區域分割結果。

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華東師范大學，其通訊地址為：200241 上海市閔行區東川路500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”。