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！

龍圖騰網獲悉湖南科技大學申請的專利一種基于深度學習的腹部CT圖像多器官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：CN116721253B 。

龍圖騰網通過國家知識產權局官網在2025-08-15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：202310687349.6，技術領域涉及：G06V10/26；該發明授權一種基于深度學習的腹部CT圖像多器官分割方法是由廖苗;邸拴虎;唐紅亮;梁偉;趙于前設計研發完成，并于2023-06-12向國家知識產權局提交的專利申請。

本一種基于深度學習的腹部CT圖像多器官分割方法在說明書摘要公布了：本發明公開了一種基于深度學習的腹部CT圖像多器官分割方法，具體實現為：1構建包含腹部CT圖像和其對應的多器官分割結果的訓練數據集；2設計一種基于雙自注意力機制和多尺度特征融合的分割網絡；3結合Dice損失與Focal損失構建網絡損失函數；4利用訓練數據集對網絡進行訓練；5運用訓練好的網絡分割腹部CT圖像中的各器官區域。本發明通過采用雙注意力和多尺度特征融合機制，可在引入非常少量的參數及浮點計算次數的情況下，更具針對性地建立長距離依賴，解決形狀不規則的長條形器官分割精度低的問題。

本發明授權一種基于深度學習的腹部CT圖像多器官分割方法在權利要求書中公布了：1.一種基于深度學習的腹部CT圖像多器官分割方法，其特征在于，包括以下步驟： 1建立包含腹部CT圖像和其對應的多器官分割結果的訓練數據集A； 2構建一種基于雙自注意力機制和多尺度特征融合的分割網絡，稱之為DAMF-Net，具體包括： 2-a采用帶跳躍連接的U型結構作為網絡基準框架，其中編碼路徑和解碼路徑分別由5個編碼塊和解碼塊級聯組成，為了避免信息的冗余傳遞，同時增強小目標與邊緣的識別能力，在相同層級的編碼和解碼塊之間增加一條帶殘差塊的跳躍連接，此外，為了補充感受野受限造成的信息損失、建立全局信息間的聯系，同時輕量化網絡，在網絡最深層引入由多尺度信息融合模塊和雙自注意力模塊并聯構成的特征提取模塊，其中多尺度信息融合模塊簡稱為MSCF，雙自注意力模塊簡稱為DSA； 2-b步驟2-a所述的編碼塊，其特征在于，包括一個編碼主路和殘差支路，在編碼主路中首先對輸入特征圖先后進行兩次3×3卷積，前一個3×3卷積層后依次連接一個歸一化層和ReLU激活層，后一個3×3卷積層后連接一個歸一化層；為了防止出現網絡退化，在編碼塊中增加了一個殘差支路，將輸入特征進行1×1卷積與歸一化；然后，將殘差支路與編碼主路的結果相加，最后，通過ReLU激活層和2×2的最大池化層獲取編碼塊的輸出； 2-c步驟2-a所述的解碼塊，其特征在于，包括一個解碼主路和殘差支路，在解碼主路中首先對輸入特征圖先后進行兩次3×3卷積，前一個3×3卷積層后依次連接一個歸一化層和ReLU激活層，后一個3×3卷積層后連接一個歸一化層；為了防止出現網絡退化，在編碼塊中增加了一個殘差支路，將輸入特征進行1×1卷積與歸一化；然后，將殘差支路與解碼主路的結果相加，最后通過ReLU激活層和上采樣獲取編碼塊的輸出，其中上采樣采用2×2反卷積實現； 2-d步驟2-a所述的殘差塊，其特征在于，具體結構包括：將當前層級和下一層級編碼塊的輸出均作為輸入，其中當前層級編碼塊的輸出記作Fi，下一層級編碼塊的輸出記作Fi+1；殘差塊首先將Fi+1進行2×2的反卷積和ReLU激活操作，得到與Fi大小相同的特征圖Fup，并將Fi與Fup進行相減，獲取包含小目標和邊緣細節的殘差特征圖Fsub＝Fi-Fup；為了進一步增強殘差特征的表達，對Fsub進行連續兩次3×3卷積操作，并在每次3×3卷積層后依次連接一個歸一化層和ReLU激活層； 2-e步驟2-a所述的多尺度信息融合模塊，即MSCF，其特征在于，具體結構包括：首先對輸入特征Fin依次執行1×1卷積、歸一化、ReLU激活操作得到特征Fconv1×1，該操作的目的是對通道數進行降維、減小參數數量、加快后續模塊內的計算過程；然后，將Fconv1×1分別輸入至金字塔池化模塊中獲取包含局部信息的特征FMS1，同時將Fconv1×1輸入至各向異性條形池化模塊中獲取包含長距離上下文信息的特征FMS2；將FMS1和FMS2進行相加融合，再依次進行1×1的卷積和歸一化操作得到融合多尺度特征信息的FMSCF；為了保證前后語義一致性，將輸入特征Fin與FMSCF相加并通過ReLU激活層輸出，然后依次執行3×3卷積、歸一化、ReLU激活操作，最后通過1×1卷積將通道維度還原到輸入特征的大小，得到輸出特征Fout； 2-f步驟2-e所述的金字塔池化模塊，記作PPM，其特征在于，具體結構包括：首先對輸入特征Fconv1×1分別進行核為3×3、5×5、7×7的平均池化，得到不同尺度的特征圖Fpool3×3、Fpool5×5和Fpool7×7，并分別對Fpool3×3、Fpool5×5和Fpool7×7依次進行3×3的卷積和歸一化，得到特征圖Fp1、Fp2、Fp3，然后，分別對Fp1、Fp2、Fp3進行核為3×3、5×5、7×7的反卷積，得到特征F1、F2、F3；最后，將F1、F2、F3進行相加融合，并依次執行ReLU激活、3×3卷積、歸一化、ReLU激活得到特征FMS1： 2-g步驟2-e所述的各向異性條形池化模塊，記作ASPM，其特征在于，具體結構包括：首先，使用大小為H×1和1×W的池化核分別從垂直和水平兩個方向對Fconv1×1進行平均池化，生成特征圖Fh和Fv，其中H和W分別表示輸入特征圖Fconv1×1的高和寬；然后，對Fh依次進行1×3卷積和歸一化，得到特征F′h，對Fv依次進行3×1卷積和歸一化得到特征F′v，并將獲取的特征F′h和F′v分別沿著垂直和水平方向進行復制擴張，得到與輸入特征Fconv1×1尺寸一致的特征圖F1′、F2′；接著，對F1′和F2′進行相加融合，得到包含長距離上下文信息關系的特征Ffusion；最后，對Ffusion依次進行ReLU激活、3×3卷積、歸一化、ReLU激活得到特征FMS2； 2-h步驟2-a所述的雙自注意力模塊，記作DSA，其特征在于，具體結構包括：由位置注意力模塊和通道注意力模塊并聯構成，將輸入特征Fdown分別輸入位置注意力模塊和通道注意力模塊，獲取特征FPAM和FCAM，然后將其相加融合，得到輸出特征 2-i步驟2-h所述的位置注意力模塊，記作PAM，其特征在于，具體結構包括： 2-i-Ⅰ對于輸入特征其中W′、H′為特征圖的寬度和高度，C為特征圖的通道數，在三個分支上分別對Fdown進行移位卷積，得到特征和 2-i-Ⅱ為了獲取各像素間的相互依賴關系，采用reshape操作將Fp1和Fp2分別重構為和并將F′p1和F′p2進行矩陣相乘和Softmax激活，得到權重矩陣 2-i-Ⅲ將重構為并將Fp′3與MPAM進行矩陣相乘，得到 2-i-Ⅳ將重構為并將Fp′map與輸入特征Fdown進行相加融合，并通過移位卷積得到輸出特征2-j步驟2-h所述的通道注意力模塊，記作CAM，其特征在于，整體結構與PAM類似，具體包括： 2-j-Ⅰ采用reshape操作在三個分支上分別將Fdown分別重構為 2-j-Ⅱ對Fc1進行轉置，獲取并將Fc′1和Fc2進行矩陣相乘和Softmax激活，得到權重矩陣 2-j-Ⅲ將Fc3與MCAM進行矩陣相乘，得到 2-j-Ⅳ將重構為并將Fc′map與輸入特征Fdown進行相加融合，并通過移位卷積得到輸出特征3結合Dice損失與Focal損失構建DAMF-Net網絡的損失函數L： L＝Lfocal+λLdice 其中，Lfocal和Ldice分別表示Focal損失和Dice損失，λ為權重系數，控制Focal損失和Dice損失的相對重要性，表示由DAMF-Net網絡將像素i預測為第t類的概率，表示像素i屬于第t類的真實概率，NC表示待分割的類別總數，NP表示圖像中像素數目，αt和γt為權重參數，用以減輕器官像素比例不平衡的影響； 4采用訓練數據集A對DAMF-Net網絡進行訓練，直至損失函數L收斂； 5利用已訓練好的網絡對腹部CT圖像進行測試，獲取其中的多器官分割結果。

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湖南科技大學，其通訊地址為：411201 湖南省湘潭市雨湖區石碼頭2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”。