买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河南师范大学申请的专利基于分割网络Ref-Net进行新冠肺炎CT影像语义分割的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115359255B 。

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210903236.0，技术领域涉及：G06V10/26；该发明授权基于分割网络Ref-Net进行新冠肺炎CT影像语义分割的方法是由刘尚旺;唐秀芳;蔡同波;王长庚;刘栋;刘国奇;申华磊;李名;王伟设计研发完成，并于2022-07-29向国家知识产权局提交的专利申请。

本基于分割网络Ref-Net进行新冠肺炎CT影像语义分割的方法在说明书摘要公布了：本发明公开了一种基于分割网络Ref‑Net进行新冠肺炎CT影像语义分割的方法，该方法所基于的分割网络以Res2Net为主干网络提取多层特征，在低层使用边缘注意力模块关注目标的边缘特征；然后在高层使用由空间注意力和通道注意力模块组成的注意力定位模块来全局定位目标；最后通过上下文探索模块去除假阳性和假阴性，得到细化后更加精准的特征图；以公开数据集（COVID‑19）为基础实验，在不使用任何辅助优化手段的情况下，在6个客观评价指标上对比最新网络，表现优越，平均绝对误差提高了26.8%以上，且Dice相似系数、灵敏度（Sen）、特异率（Spec）、结构指标（）、增强‑对齐指标（）均同时得到了提升，整体上提高了检测结果的准确度，促进了对感染者进行有效筛查。

本发明授权基于分割网络Ref-Net进行新冠肺炎CT影像语义分割的方法在权利要求书中公布了：1.基于分割网络Ref-Net进行新冠肺炎CT影像语义分割的方法，其特征在于，所述分割网络Ref-Net以Res2Net为主干网络提取多层特征、、、、，基于底层特征保留目标物体的边缘信息，在后添加边缘注意力模块来生成边缘特征图，并使用标准二值交叉熵损失函数来计算其与真值图像生成的真值边缘特征图的差异性；基于高层富含目标物体的全局定位语义信息，将输入由通道注意力和空间注意力组成的注意力定位模块得到模糊的预测图；在，，层分别加入上下文探索模块CEM融合当前特征和上层特征，以消除模糊的预测图中的错误预测，其中经过注意力定位模块后得到的特征作为第一个上下文探索模块CEM的高层特征，经过3个上下文探索模块CEM细化后最终得到清晰准确的预测图；其中， 边缘注意力模块由一个只有一个卷积核的卷积层组成，通过该卷积层后得到边缘特征图，为了比较边缘特征图和真值图像的边缘特征图之间的差异性，引入标准二值交叉熵损失函数；差异性损失函数的计算，如式（1）和式（2）所示： 1 （2） 其中，w和h分别表示特征映射图的宽和高，是真值图GT求导得出的真值边缘特征图，为经过边缘注意力模块预测的边缘特征图；其中，代表权值，本发明设置其为1；的两部分和分别提供全局监督和局部监督，分割结果更加的准确； 注意力定位模块由通道注意力和空间注意力组成，具体结构为：最深层的输出作为注意力定位模块的输入特征F,特征F的通道数量、高度和宽度分别记为C、H、W；首先重塑输入特征F分别得到查询（Q）、键（K）和值（V），其中,N是指像素个数；然后Q转置后和K之间使用矩阵乘法并通过Softmax层后得到通道注意图，通道注意图X中第j个通道对第i个通道的影响具体表示，如式（3）所示： 3 其中，表示矩阵Q的第i行，表示矩阵K的第j行； X和V的转置之间同样执行矩阵乘法后，将得到的特征形状大小转换为，注意力定位模块还引入比例参数，的初始值为1并不断地学习更新权重，最后通过跳跃连接得到最终的通道注意力输出特征，其任意一行可以用公式表示，如式（4）所示： 4 其中，表示通道注意力输出特征的第i行，表示值V矩阵的第j行，表通道注意力输入特征的第i行； 空间注意力的具体过程与通道注意力相似，作为空间注意力的输入经过3个的卷积并改变卷积结果形状，分别得到新的查询（）、键（）和值（），,而；同样的的转置和之间进行矩阵乘法并归一化后得到空间注意力图；空间注意力中第j个位置对与第i个位置的影响计算方法，如式（5）所示： 5 其中，表示查询的第i列，表示键的第j列；接下来的过程类似通道注意力，和的转置进行矩阵乘法后改变结果形状，引入比例参数然后跳跃连接后获得最终输出； 上下文探索模块CEM具体结构为：高层预测图进行上采样并归一化与当前级别特征相乘得到注意前景的特征，同时高层预测图上采样、归一化后取反与前级别特征相乘得到注意背景的特征，和分别送入两个并行的探索模块检测出预测结果中的假阳性区域和假阴性区域；所述探索模块由4个分支组成，每个分支的结构相似，的卷积用于通道缩减，的卷积用于局部特征的提取，卷积核大小为、扩张率为的扩张卷积用于上下文感知，每次卷积后都要进行归一化和ReLU非线性运算；每个分支进行通道缩减、局部特征提取、上下文感知后都要输入下一个分支进一步处理，最后将4个分支的输出结果在通道维度上叠加并融合； 检测出假阳性区域和假阴性区域后，通过以下方式消除假阳性和假阴性，该过程用公式表示，如式（6-8）所示： 6 7 8 其中，为上级输入特征，为假阳性和假阴性消除后输出特征，C、B、R分别代表卷积，归一化和ReLU，U代表上采样，和都是可学习的比例参数，和逐元素相减消除假阳性，和逐元素相加来消除假阴性。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河南师范大学，其通讯地址为：453007 河南省新乡市建设东路46号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。