買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉大連民族大學(xué)申請(qǐng)的專(zhuān)利一種腦部醫(yī)學(xué)圖像多結(jié)構(gòu)分割方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)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：CN115719357B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-12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(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202211508260.0，技術(shù)領(lǐng)域涉及：G06T7/11；該發(fā)明授權(quán)一種腦部醫(yī)學(xué)圖像多結(jié)構(gòu)分割方法是由張秀峰;劉巖松;王金龍;王成龍?jiān)O(shè)計(jì)研發(fā)完成，并于2022-11-28向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種腦部醫(yī)學(xué)圖像多結(jié)構(gòu)分割方法在說(shuō)明書(shū)摘要公布了：一種腦部醫(yī)學(xué)圖像多結(jié)構(gòu)分割方法，屬于圖像處理與計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，自注意力機(jī)制能夠很好的提取腦部灰質(zhì)結(jié)構(gòu)邊界的低頻信息，并且能夠建立特征的全局相關(guān)性。將卷積和自注意力相結(jié)合更加有效的提取圖像的高頻和低頻特征，改善了淺層信息在下采樣過(guò)程丟失的問(wèn)題，實(shí)現(xiàn)更加準(zhǔn)確的分割結(jié)果。同時(shí)在特征交互的過(guò)程中通過(guò)對(duì)特征降維和歸一化的處理，提高了網(wǎng)絡(luò)模型的收斂速度。

本發(fā)明授權(quán)一種腦部醫(yī)學(xué)圖像多結(jié)構(gòu)分割方法在權(quán)利要求書(shū)中公布了：1.一種腦部醫(yī)學(xué)圖像多結(jié)構(gòu)分割方法，其特征在于，包括以下步驟： S1、對(duì)公開(kāi)的腦部醫(yī)學(xué)圖像數(shù)據(jù)集進(jìn)行切片處理，選取待分割的腦結(jié)構(gòu)的2D圖像； S2、對(duì)待分割的圖像進(jìn)行預(yù)處理，得到訓(xùn)練數(shù)據(jù)并隨機(jī)劃分訓(xùn)練集和測(cè)試集； S3、構(gòu)建腦部多結(jié)構(gòu)分割網(wǎng)絡(luò)模型，其包含編碼部分和解碼部分，編碼部分由卷積和多頭自注意力機(jī)制構(gòu)成，解碼部分由雙線性插值上采樣和卷積構(gòu)成； 所述步驟S3所述的編碼部分包括高頻特征采集和低頻特征采集，高頻特征由卷積和池化構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行獲取，低頻特征采集是由多頭自注意力和前饋神經(jīng)網(wǎng)絡(luò)組成，高頻特征和低頻特征之間存在特征交互的過(guò)程，解碼部分包括對(duì)深層特征進(jìn)行上采樣并與淺層特征進(jìn)行維度拼接； 所述高頻特征采集由三個(gè)連續(xù)的卷積層構(gòu)成，每個(gè)卷積層后面添加ReLU激活函數(shù)以增加特征的非線性，對(duì)所提取的特征進(jìn)行BN處理以提高網(wǎng)絡(luò)的收斂速度，將特征進(jìn)行最大池化操作以提取深層的語(yǔ)義特征； 所述低頻特征采集是將原始的圖像進(jìn)行patchembedding操作，將原始圖像分成16個(gè)塊，并進(jìn)行維度變換，將二維矩陣轉(zhuǎn)化成以為一維向量，通過(guò)MultiHeadSelf-Attention計(jì)算全局特征的相關(guān)性，通過(guò)前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性變換，將多頭注意力層的結(jié)果映射到更高維的空間中進(jìn)行特征的提取； 所述特征交互過(guò)程是高頻低頻特征進(jìn)行互補(bǔ)的過(guò)程，通過(guò)多頭自注意力獲取全局特征經(jīng)全連接層映射后進(jìn)行維度變換，然后與高頻的特征融合增強(qiáng)特征的全局相關(guān)性，通過(guò)卷積運(yùn)算進(jìn)行更深層次的特征提取，同時(shí)將深層語(yǔ)義特征降維并進(jìn)行維度變換為多頭自注意力提供Key和Value，保留當(dāng)前特征全局相關(guān)性補(bǔ)償池化特征造成的信息丟失； S4、使用劃分好的訓(xùn)練數(shù)據(jù)進(jìn)行腦部多結(jié)構(gòu)分割網(wǎng)絡(luò)模型的訓(xùn)練，將訓(xùn)練數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集； S5、將訓(xùn)練集輸入到腦部多結(jié)構(gòu)分割網(wǎng)絡(luò)模型中得到預(yù)測(cè)的分割結(jié)果，使用交叉熵?fù)p失函數(shù)計(jì)算訓(xùn)練過(guò)程預(yù)測(cè)結(jié)果和真實(shí)標(biāo)簽之間的損失值，并進(jìn)行參數(shù)調(diào)整； S6、將驗(yàn)證集輸入到腦部多結(jié)構(gòu)分割網(wǎng)絡(luò)模型中得到預(yù)測(cè)的分割結(jié)果，使用交叉熵?fù)p失函數(shù)計(jì)算訓(xùn)練過(guò)程預(yù)測(cè)結(jié)果和真實(shí)標(biāo)簽之間的損失值； S7、判斷當(dāng)前驗(yàn)證過(guò)程的損失和上一輪驗(yàn)證的損失，若當(dāng)前損失小于上一輪損失保存模型參數(shù)，若當(dāng)前損失大于上一輪的損失則繼續(xù)訓(xùn)練； S8、判斷當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)值，若未達(dá)到則返回步驟S5進(jìn)行下次訓(xùn)練，若到達(dá)預(yù)設(shè)值則完成腦部多結(jié)構(gòu)分割網(wǎng)絡(luò)模型的訓(xùn)練； S9、在步驟S8得到訓(xùn)練好的模型之后，將測(cè)試集輸入到訓(xùn)練完成的腦部多結(jié)構(gòu)分割網(wǎng)絡(luò)模型中，得到相應(yīng)的分割結(jié)果進(jìn)行分割指標(biāo)的計(jì)算。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人大連民族大學(xué)，其通訊地址為：116600 遼寧省大連市經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)遼河西路18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)”。