買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉河北工業(yè)大學(xué)申請(qǐng)的專利基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN120219422B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-23發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202510695896.8，技術(shù)領(lǐng)域涉及：G06T7/11；該發(fā)明授權(quán)基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割方法是由許錚鏵;王賀寧;劉衛(wèi)朋;孫昊;邢凌霄;李單青設(shè)計(jì)研發(fā)完成，并于2025-05-28向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割方法在說(shuō)明書(shū)摘要公布了：本發(fā)明為基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割方法，該方法包括以下內(nèi)容：構(gòu)建基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割網(wǎng)絡(luò)，利用卷積網(wǎng)絡(luò)提取的局部特征來(lái)增強(qiáng)Transformer網(wǎng)絡(luò)提取的醫(yī)學(xué)圖像全局特征表達(dá)能力，提升Transformer網(wǎng)絡(luò)生成的偽標(biāo)注質(zhì)量；通過(guò)交叉熵?fù)p失函數(shù)和骰子損失函數(shù)計(jì)算監(jiān)督損失和無(wú)監(jiān)督損失值，利用兩種損失的權(quán)重加和訓(xùn)練并優(yōu)化半監(jiān)督分割模型。該方法經(jīng)過(guò)實(shí)驗(yàn)測(cè)試證明了在僅利用部分標(biāo)注數(shù)據(jù)的條件下，就能達(dá)到較好的分割效果，便于輔助醫(yī)生進(jìn)行病情診斷。

本發(fā)明授權(quán)基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割方法在權(quán)利要求書(shū)中公布了：1.一種基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割方法，其特征在于，所述方法包括以下內(nèi)容： 獲取病例數(shù)據(jù)庫(kù)，每個(gè)病例對(duì)應(yīng)著病灶醫(yī)學(xué)圖像和真實(shí)標(biāo)注圖像；標(biāo)注圖像為四分類，分別是全腫瘤WT區(qū)域、腫瘤增強(qiáng)ET區(qū)域、腫瘤核心TC區(qū)域和圖像背景； 構(gòu)建基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割網(wǎng)絡(luò)： 所述基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割網(wǎng)絡(luò)包括Transformer網(wǎng)絡(luò)和卷積網(wǎng)絡(luò)；卷積網(wǎng)絡(luò)的編碼器用于提取圖像的多尺度局部特征； 所述Transformer網(wǎng)絡(luò)包括圖像分塊嵌入編碼模塊、位置編碼器、若干堆疊的Transformer編碼器、以及與每個(gè)Transformer編碼器跳躍連接的Transformer解碼器；所述Transformer編碼器包括依次連接的多頭自注意力、層歸一化、自注意力特征增強(qiáng)模塊、前饋神經(jīng)網(wǎng)絡(luò)、層歸一化和圖像塊合并模塊，其中自注意力特征增強(qiáng)模塊的輸入為卷積網(wǎng)絡(luò)輸出的中間尺度的局部特征和多頭自注意力經(jīng)層歸一化處理后與多頭自注意力的輸入殘差連接的結(jié)果；自注意力特征增強(qiáng)模塊的輸出經(jīng)前饋神經(jīng)網(wǎng)絡(luò)、層歸一化處理后再與自注意力特征增強(qiáng)模塊的輸出殘差連接，之后經(jīng)圖像塊合并模塊處理獲得當(dāng)前Transformer編碼器的輸出；Transformer編碼器的數(shù)量與卷積網(wǎng)絡(luò)所提取的多尺度局部特征的中間尺度的個(gè)數(shù)一致； 所述自注意力特征增強(qiáng)模塊包括全局平均池化操作、平均池化操作、最大池化操作、1×1卷積操作、ReLU激活函數(shù)和Sigmoid函數(shù)；將卷積網(wǎng)絡(luò)輸出的一個(gè)中間尺度的局部特征和Transformer編碼器的多頭自注意力經(jīng)層歸一化處理后與多頭自注意力的輸入殘差連接的結(jié)果，進(jìn)行拼接得到特征Zl，對(duì)特征Zl分別進(jìn)行最大值池化操作、平均值池化操作和全局平均池化操作，全局平均池化操作處理后的結(jié)果經(jīng)1×1卷積操作、ReLU激活函數(shù)、1×1卷積操作處理得到第一支路結(jié)果； 最大值池化操作和平均值池化操作處理后的結(jié)果進(jìn)行拼接后經(jīng)1×1卷積操作、ReLU激活函數(shù)、1×1卷積操作處理得到第二支路結(jié)果； 第一支路結(jié)果與第二支路結(jié)果通過(guò)廣播機(jī)制后進(jìn)行逐元素相加，再通過(guò)Sigmoid函數(shù)將輸出值映射到0,1區(qū)間，生成注意力權(quán)重圖； 將生成的注意力權(quán)重圖與特征Zl進(jìn)行逐元素相乘操作，得到自注意力特征增強(qiáng)模塊的輸出Zl+1； 自注意力特征增強(qiáng)模塊強(qiáng)化病變區(qū)域的表征顯著性，在保持計(jì)算效率的同時(shí)，顯著提升對(duì)微小病灶與復(fù)雜解剖結(jié)構(gòu)的識(shí)別精度； 訓(xùn)練基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割網(wǎng)絡(luò)： 將病例數(shù)據(jù)庫(kù)中的病例樣本按設(shè)定比率劃分為標(biāo)注數(shù)據(jù)和無(wú)標(biāo)注數(shù)據(jù)，標(biāo)注數(shù)據(jù)循環(huán)利用并與無(wú)標(biāo)注數(shù)據(jù)打包被送入基于增強(qiáng)自注意力特征的半監(jiān)督醫(yī)學(xué)圖像分割網(wǎng)絡(luò)中，標(biāo)注數(shù)據(jù)和無(wú)標(biāo)注數(shù)據(jù)同時(shí)輸入Transformer網(wǎng)絡(luò)和卷積網(wǎng)絡(luò)中； 在訓(xùn)練過(guò)程中，針對(duì)標(biāo)注數(shù)據(jù)計(jì)算預(yù)測(cè)標(biāo)注與真實(shí)標(biāo)注間的交叉熵?fù)p失和骰子損失的均值，針對(duì)無(wú)標(biāo)注數(shù)據(jù)在卷積網(wǎng)絡(luò)和Transformer網(wǎng)絡(luò)的預(yù)測(cè)標(biāo)注之間計(jì)算骰子損失，利用深度學(xué)習(xí)梯度反向傳播更新參數(shù)，不斷訓(xùn)練并優(yōu)化獲得訓(xùn)練好的卷積網(wǎng)絡(luò)； 以訓(xùn)練好的卷積網(wǎng)絡(luò)，進(jìn)行醫(yī)學(xué)圖像分割。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人河北工業(yè)大學(xué)，其通訊地址為：300401 天津市北辰區(qū)西平道5340號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。