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！

龍圖騰網獲悉中山大學;廣東融谷創新產業園有限公司申請的專利基于改進Faster R-CNN的醫學影像腦腫瘤檢測方法與系統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：CN114445328B 。

龍圖騰網通過國家知識產權局官網在2025-08-19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：202111543746.3，技術領域涉及：G06T7/00；該發明授權基于改進Faster R-CNN的醫學影像腦腫瘤檢測方法與系統是由林格;蘇志宏;陳小燕設計研發完成，并于2021-12-16向國家知識產權局提交的專利申請。

本基于改進Faster R-CNN的醫學影像腦腫瘤檢測方法與系統在說明書摘要公布了：本發明公開了一種基于改進FasterR?CNN的醫學影像腦腫瘤檢測方法與系統。包括：從數據庫中獲取磁共振圖像數據集；通過光流法和生成對抗網絡以對數據集的圖像做預處理，進行數據增強；構建改進FasterR?CNN深度網絡模型；采用得到的所述數據集訓練所述構建的改進FasterR?CNN深度網絡模型；將需要預測的磁共振圖像輸入訓練好的網絡模型，輸出腦腫瘤目標檢測結果。本發明采用了基于光流法和生成對抗網絡的數據增強方法，并設計了一個改進FasterR?CNN目標檢測網絡模型，加入了圖像特征金字塔結構以及卷積門控循環單元ConvGRU模塊，修改了網絡訓練時的數據讀取方式，增強了腫瘤檢測結果的連續性，提升了腦腫瘤的檢索精度和查全率。

本發明授權基于改進Faster R-CNN的醫學影像腦腫瘤檢測方法與系統在權利要求書中公布了：1.一種基于改進FasterR-CNN的醫學影像腦腫瘤檢測方法，其特征在于，所述方法包括： 從磁共振圖像數據庫中獲取磁共振圖像數據集； 通過光流法和生成對抗網絡，對所述獲取的數據集的圖像做預處理，進行數據增強，形成經數據增強后得到的數據集； 構建改進FasterR-CNN深度網絡模型，加入圖像特征金字塔結構以及卷積門控循環單元ConvGRU模塊，并修改網絡訓練時的數據讀取方式； 采用所述經數據增強后得到的數據集訓練改進FasterR-CNN模型，形成訓練好的改進FasterR-CNN模型； 將需要預測的磁共振圖像輸入所述訓練好的改進FasterR-CNN模型，輸出腦腫瘤目標檢測結果； 具體地，所述通過光流法和生成對抗網絡，對所述獲取的數據集的圖像做預處理，進行數據增強，具體為： 找出亮度上與有腫瘤切片最為相近的正常切片序列，有腫瘤的切片記為Query，正常人切片序列記為Normal，具體地，對于Query所屬的切片序列，先將其按排列順序均勻分為10組，分別計算每組的像素亮度的均值和標準差，得到長度為20的亮度值統計向量，計算公式具體如下： 其中，表示與Query序列相對應的長度為20的亮度值統計向量， 對數據集中所有無腫瘤的Normal序列，以同樣方法分別求出與其相對應的長度為20的統計向量然后計算Normal序列的亮度值統計向量與Query所屬序列的亮度值統計向量之間的歐式距離： 其中，表示與Query序列相對應的長度為20的亮度值統計向量，表示與Normal序列相對應的長度為20的統計向量， 在所有Normal序列中，其亮度值統計向量與Query所屬序列的亮度值統計向量距離最小的，即為亮度上與Query切片最為相近的Normal序列； 對所述亮度上與Query切片最為相近的Normal序列進行操作，得到亮度上與有腫瘤切片最為相近的正常切片，記為Answer_pri，具體地，首先通過預訓練好的ResNet50模型，對Query以及Normal序列中的每一個切片做特征提取，然后計算vq與vi之間的余弦相似度，計算公式具體如下： 其中，vq表示對Query做特征提取得到的值，vi表示對Normal序列中的每一個切片做特征提取得到的值，i＝1,2,…,n， 根據相似度從大到小，對Normal序列中的切片進行排序，并選取相似度最高的前10張切片，記為N1,N2,…,N10，然后采用RAFT算法分別計算Query到所述切片的光流，記為f1,f2,…,f10，然后利用所述光流對所述切片做圖像扭轉操作，得到扭轉后的結果N′i，圖像扭轉公式具體如下： N′ix′i,y′i＝Nixi,yi x′i＝xi-fixi,yi,0 y′i＝yi-fixi,yi,1 其中，Ni表示選取的前10張切片，N′i表示所述切片扭轉后的結果，xi,yi表示Ni中像素坐標，x′i,y′i表示N′i中像素坐標，fi表示Query到所述切片的光流，i＝1,2,…,10， 然后對N′i按Query做直方圖匹配，使得N′i與Query之間具有相似的亮度分布，以消除亮度對相似性判斷的影響，最后計算N′i與Query之間像素亮度的均方誤差，計算公式具體如下： 誤差最小的N′i即為Answer_pri； 在Answer_pri上映射出腫瘤區域，得到初步的假腫瘤切片，記為Answer_warped，具體地，首先計算Query到Answer_pri的光流，記為f1，Query中腫瘤的位置由邊界方框標出，利用f1，根據所述圖像扭轉公式，計算出Query中腫瘤位置的邊界方框的四個頂點坐標映射在Answer_pri上的對應坐標，從而確定假腫瘤在Answer_pri上的分布區域，然后計算Answer_pri到Query的光流，記為f2，利用f2，根據所述圖像扭轉公式，找到假腫瘤分布區域中的每個像素點i,j在Query中的對應坐標i′,j′，根據對應坐標的像素值，利用雙線性插值法對假腫瘤分布區域內的像素進行初步填充，得到初步填充值Answer_temp，以達到將腫瘤從Query中“移植”到Answer_pri中的效果，計算公式具體如下： x1＝inti′y1＝intj′ x2＝x1y2＝y1+1 x3＝x1+1y3＝y1 x4＝x1+1y4＝y1+1 u＝i′-x1v＝j′-y1 Answer_tempi,j＝1-u1-v×intQueryx1,y1+1-uv×intQueryx2,y2+u1-v×intQueryx3,y3+uv×intQueryx4,y4 其中，i,j表示假腫瘤分布區域中的每個像素點的坐標值，i′,j′表示所述假腫瘤分布區域中的每個像素點在Query中的對應坐標值， 最終的填充結果Answer_warped定義為Answer_pri與Answer_temp的平均加權和，以保留Answer_pri中的原有組織部分，計算公式具體如下： Answer_warpedi,j＝0.5×Answer_prii,j+0.5×Answer_tempi,j 其中，i,j表示假腫瘤分布區域中的每個像素點的坐標值，i′,j′表示所述假腫瘤分布區域中的每個像素點在Query中的對應坐標值； 對Answer_warped做進一步處理得到最后的假腫瘤切片，記為Answer，使其盡可能地與真正有腫瘤的切片相似，具體地，采用生成對抗網絡重建圖像，以此消除Answer_warped中不自然的部分，網絡以Answer_warped作為輸入，輸出Answer，修改網絡的損失函數，包括重建損失、連貫損失、對抗損失三部分，整個損失函數定義為重建損失、連貫損失、對抗損失的加權和，計算公式具體如下： Loss＝50×recLoss+50×cohLoss+advLoss 其中，recLoss表示重建損失，cohLoss表示連貫損失，advLoss表示對抗損失； 具體地，所述構建改進FasterR-CNN深度網絡模型，加入圖像特征金字塔結構以及ConvGRU模塊，并修改網絡訓練時的數據讀取方式，具體為： 在FasterR-CNN的基礎上，加入FPN結構，在FasterR-CNN的特征提取部分進行改進，以圖像特征金字塔的形式提取特征，融合具有高分辨率的淺層信息和分辨率低但語義信息豐富的深層信息； 在FasterR-CNN提取特征之后、進入RPN結構之前，加入ConvGRU模塊，以此記憶切片的上下文信息； 將MRI數據集中的連續切片每3張分為一組，上下兩張切片為中間切片提供3D上下文信息，然后在訓練時按組讀取數據，以保證每次讀取的樣本數據是某一個病例中的一段連續的切片。

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中山大學;廣東融谷創新產業園有限公司，其通訊地址為：510006 廣東省廣州市海珠區新港西路135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”。