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！

龍圖騰網獲悉天津大學申請的專利基于條件擴散模型和遷移學習的跨模態超聲圖像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：CN120163984B 。

龍圖騰網通過國家知識產權局官網在2025-09-16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：202510370540.7，技術領域涉及：G06V10/26；該發明授權基于條件擴散模型和遷移學習的跨模態超聲圖像分割方法是由姜杉;王力文;楊志永;周澤洋;李煜華設計研發完成，并于2025-03-27向國家知識產權局提交的專利申請。

本基于條件擴散模型和遷移學習的跨模態超聲圖像分割方法在說明書摘要公布了：本發明公開了一種基于條件擴散模型和遷移學習的跨模態超聲圖像分割方法，包括：首先獲取三維原模態數據集與三維目標模態數據集并進行預處理；然后構建條件擴散模型，設定訓練參數并訓練模型，獲得訓練后的條件擴散模型以及條件去噪網絡的權重參數；再利用訓練后的條件擴散模型對預處理后的三維原模態數據集進行推理，批量翻譯為帶標簽的三維模擬超聲圖像；再將訓練后的權重參數遷移到混合注意力分割網絡中并對分割網絡進行預訓練；最后使用遷移學習，通過三維目標模態訓練集對預訓練后的混合注意力分割網絡的參數進行微調訓練以適應三維真實超聲數據，以在三維目標模態驗證集表現最好的微調模型作為混合注意力分割模型進行圖像分割。

本發明授權基于條件擴散模型和遷移學習的跨模態超聲圖像分割方法在權利要求書中公布了：1.一種基于條件擴散模型和遷移學習的跨模態超聲圖像分割方法，其特征在于，該方法包括以下步驟： 步驟1、獲取同一器官或病灶的三維原模態數據集與三維目標模態數據集，進行數據預處理，以適配條件擴散模型與混合注意力分割模型的輸入，獲得預處理后的數據集，并將預處理后的數據集劃分為三維原模態訓練集、三維原模態驗證集、三維原模態測試集、三維目標模態訓練集、三維目標模態驗證集和三維目標模態測試集；三維目標模態數據集為三維真實超聲數據集，由三維真實超聲圖像構成； 步驟2、構建條件擴散模型，基于步驟1得到的三維原模態訓練集和三維目標模態訓練集設定訓練參數并采用動態學習率調整和噪聲調節的方式來充分訓練條件擴散模型，訓練完成后，獲得訓練后的條件擴散模型以及訓練后的條件擴散模型中的條件去噪網絡TU-Net的權重參數； 其中，條件去噪網絡TU-Net包括五層并行編碼器和五層共享解碼器；五層并行編碼器依次順序連接，五層共享解碼器依次順序連接；第5層并行編碼器的輸出傳輸至第1層共享解碼器； 第1層并行編碼器的輸出同時通過跳躍連接傳輸至第4層共享解碼器，第2層并行編碼器的輸出同時通過跳躍連接傳輸至第3層共享解碼器，第3層并行編碼器的輸出同時通過跳躍連接傳輸至第2層共享解碼器，第4層并行編碼器的輸出同時通過跳躍連接傳輸至第1層共享解碼器； 第1～4層并行編碼器的結構相同，均由一個CNN編碼塊、一個條件信息嵌入模塊、一個Transformer編碼塊和一個特征融合模塊構成；其中CNN編碼塊、條件信息嵌入模塊和Transformer編碼塊并行；輸入進入CNN編碼塊、條件信息嵌入模塊和Transformer編碼塊；條件信息嵌入模塊對條件信息進行處理輸出CNN局部特征權重wCNN和Transformer局部特征權重wTr，分別用來調制CNN編碼塊和Transformer編碼塊的輸出；特征融合模塊將來自CNN編碼塊的輸出特征FCNN與Transformer編碼塊的輸出特征FTr進行融合，得到融合特征圖作為每層并行編碼器的輸出； 第5層并行編碼器為瓶頸層，包括兩個卷積塊，每次卷積后使用BatchNormalization進行歸一化，然后使用Sigmoid激活函數進行激活，再進行一次下采樣； 第1～5層共享解碼器的結構相同，均首先進行一次上采樣，再采用兩個卷積塊，每次卷積后均使用BatchNormalization進行歸一化，然后使用Sigmoid激活函數進行激活； 其中，條件去噪網絡TU-Net中使用的條件信息為局部互信息；訓練階段，通過計算局部互信息，訓練條件擴散模型生成與三維目標模態圖像風格相同的圖像；局部互信息的實現為： 式5中，pδx,y為在領域δ上的聯合概率密度函數；分別為在領域δxi和δyj的邊緣概率密度函數； 步驟3、利用步驟2的訓練后的條件擴散模型對步驟1得到的預處理后的三維原模態數據集中的每張三維原模態圖像進行推理，批量翻譯為帶標簽的三維模擬超聲圖像，進而形成帶標簽的三維模擬超聲數據集，并將帶標簽的三維模擬超聲數據集劃分為訓練集和測試集； 步驟4、將步驟2得到的訓練后的條件擴散模型中的條件去噪網絡TU-Net的權重參數遷移到混合注意力分割網絡中，利用步驟3的訓練集對混合注意力分割網絡進行預訓練，得到預訓練后的混合注意力分割網絡； 其中，混合注意力分割網絡與條件去噪網絡TU-Net的結構相同，區別僅在于：在第1～4層并行編碼器中不設置條件信息嵌入模塊； 其中，混合注意力分割網絡中的特征融合模塊的結構與條件去噪網絡TU-Net中的特征融合模塊相同，區別僅在于：CNN的特征權重與Transformer的特征權重的取值固定并滿足兩者之和等于1； 步驟5、使用遷移學習的方法，通過步驟1得到的三維目標模態訓練集對步驟4得到的預訓練后的混合注意力分割網絡的參數進行微調訓練以適應三維真實超聲數據，以微調訓練完成后且在步驟1的三維目標模態驗證集表現最好的微調模型作為混合注意力分割模型；再利用混合注意力分割模型對步驟1的三維目標模態測試集進行處理，得到分割結果。

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天津大學，其通訊地址為：300072 天津市南開區衛津路92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”。