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)獲悉四川大學(xué)申請(qǐng)的專利一種基于類Transformer網(wǎng)絡(luò)的醫(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：CN116580040B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-08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：202310591183.8，技術(shù)領(lǐng)域涉及：G06T7/12；該發(fā)明授權(quán)一種基于類Transformer網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法是由朱敏;高承睿;程俊龍;楊子元;陳迎語(yǔ);王鳳杰設(shè)計(jì)研發(fā)完成，并于2023-05-24向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于類Transformer網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法在說(shuō)明書摘要公布了：本發(fā)明屬于圖像分割領(lǐng)域，具體涉及了一種基于類Transformer網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法。首先，本發(fā)明利用隔像素采樣的方式將原始分辨率圖像切分為4相同尺寸的圖像塊；然后，本發(fā)明在U型網(wǎng)絡(luò)的編解碼結(jié)構(gòu)中設(shè)計(jì)了類Transformer模塊和DenseMLP模塊，使得網(wǎng)絡(luò)模型可以獲得更大感受野并捕獲多尺度特征信息；最后，本發(fā)明將公開(kāi)數(shù)據(jù)集進(jìn)行訓(xùn)練集與測(cè)試集的劃分，并將數(shù)據(jù)輸入網(wǎng)絡(luò)模型，通進(jìn)網(wǎng)絡(luò)訓(xùn)練后，獲得圖像分割結(jié)果。本發(fā)明解決了現(xiàn)有的各類卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像分割問(wèn)題上存在的無(wú)法有效建立起遠(yuǎn)程依賴和感受野不足的問(wèn)題。

本發(fā)明授權(quán)一種基于類Transformer網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法在權(quán)利要求書中公布了：1.一種基于類Transformer網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法，其特征在于，包括如下步驟： 步驟1：選擇公開(kāi)的醫(yī)學(xué)圖像分割數(shù)據(jù)集，并對(duì)數(shù)據(jù)集中的訓(xùn)練集進(jìn)行預(yù)處理； 步驟2：構(gòu)建圖像切片模塊，用于輸入圖像分割網(wǎng)絡(luò)的小尺寸圖像塊； 步驟3：構(gòu)建跨流注意力模塊和密集多層感知器模塊，用于捕獲多尺度特征； 步驟4：通過(guò)跨流注意力模塊和密集多層感知器模塊構(gòu)建類Transformer模塊，以此捕獲圖像塊之間的重要全局上下文信息，提取豐富的局部信息和空間紋理信息； 步驟5：將所述類Transformer模塊作為編碼器、解碼器的組成部分，結(jié)合橋接器構(gòu)建U型分割網(wǎng)絡(luò)框架； 所述步驟3中跨流注意力模塊和密集多層感知器模塊設(shè)計(jì)過(guò)程如下： 步驟3.1：將圖像切片模塊的輸出特征圖作為跨流注意力模塊的輸入特征，跨流注意力模塊包括三條分支，分別為大核注意力分支、空間注意力分支和通道注意力分支；代表圖像塊尺寸高為H，寬為W，通道數(shù)量為C； 1所述大核注意力分支包括三個(gè)子操作DW-Conv、DW-D-Conv和1×1Conv，分別獲得XDW-Conv、XDW-D-Conv和XConv三個(gè)特征圖，大核注意力分支輸出特征圖表達(dá)公式如下； Xsl＝Xl-1☉Conv1×1DW-D-ConvDW-ConvXl-1 其中，⊙為逐像素相乘操作，DW-Conv表示深度可分離卷積操作，DW-D-Conv表示深度可分離擴(kuò)張卷積操作，1×1Conv表示卷積核為1的卷積操作； 2所述空間注意力分支首先將特征圖Xl-1和XDW-Conv通過(guò)通道均值和重塑操作生成特征圖和N＝H×W；將特征圖X′l和X′DW-Conv進(jìn)行矩陣相乘得到特征圖X′sn，然后將特征圖X′sn經(jīng)過(guò)softmax操作獲得特征圖最后特征圖X″sn和X′l矩陣相乘獲得空間注意力分支輸出的特征圖 3所述通道注意力分支將特征圖Xl-1和XDW-Conv通過(guò)全局池化和重塑操作生成特征圖和然后將特征圖X″l和X″DW-Conv進(jìn)行矩陣相乘生成特征圖X′c，并對(duì)特征圖X′c進(jìn)行softmax操作生成通道注意力圖X″c，最后將特征圖X″l和通道注意力圖X″c進(jìn)行矩陣相乘和重塑操作生成通道注意力分支輸出的特征圖 則跨流注意力模塊最終輸出特征圖的表達(dá)式為： 步驟3.2：密集多層感知器模塊的輸入為跨流注意力模塊的輸出特征圖首先對(duì)輸入經(jīng)過(guò)重塑操作獲得然后將輸入到經(jīng)過(guò)密集連接的多層感知器中，該過(guò) 程表達(dá)方式如下： 其中，K代表密集多層感知器模塊有K層，密集多層感知器模塊的所有后續(xù)層都與之前的層相關(guān)；表示第k-1層的特征圖，G為密集多層感知器模塊的增長(zhǎng)率，Xk表示密集連接的多層感知器的輸出，表示第k層的特征圖，MLP表示多層感知器； 所述步驟4中類Transformer模塊包括三部分：歸一化層、跨流注意力模塊和密集多層感知器模塊，表示如下： 其中，Xl-1表示輸入網(wǎng)絡(luò)的特征圖，表示跨流注意力模塊的輸出，Xl表示類Transformer模塊輸出，Norm代表歸一化操作，SAA表示跨流注意力，DenseMLP表示密集多層感知器。

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)人四川大學(xué)，其通訊地址為：610065 四川省成都市武侯區(qū)一環(huán)路南一段24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)”。