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！

龙图腾网获悉浙江大学申请的专利一种用于心脏MRI的半监督动态自学习分割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：CN114359298B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202210014445.X，技术领域涉及：G06T7/10；该发明授权一种用于心脏MRI的半监督动态自学习分割方法是由刘华锋;李楚晨设计研发完成，并于2022-01-05向国家知识产权局提交的专利申请。

本一种用于心脏MRI的半监督动态自学习分割方法在说明书摘要公布了：本发明公开了一种用于心脏MRI的半监督动态自学习分割方法，该方法通过生成器来对没有标签的数据生成相应的标签，在指数动态网络的辅助下生成一个平均的伪标签并通过熵约束来进行动态挑选，同时通过判别器来对这些伪标签进行置信度认定，并在训练过程中考虑到不同标注的来源，本发明使用动态分配的权重对不同时间下的训练进行权重分配，同时使用特征相符约束减小生成数据以及真实数据之间数据分布的不一致性。因此，本发明方法能一定程度上解决传统全监督方法对于标注量的依赖性，从而更好的在少量标注的情况下辅助智能医疗分析与诊断。

本发明授权一种用于心脏MRI的半监督动态自学习分割方法在权利要求书中公布了：1.一种用于心脏MRI的半监督动态自学习分割方法，包括如下步骤： 1将有标注和无标注的心脏MRI图像进行分类，并将这些图像归一化成相同的尺寸大小； 2将有标注的心脏MRI图像输入至基于深度学习神经网络的生成器中提取特征信息，输出对应的特征概率图；所述生成器采用以Resnet-101为基础的Deeplab生成器；所述特征概率图的定义表达如下： 其中：Pi,j,n为对于第n类图像对应特征概率图中第i行第j列元素的特征概率值，fi,j,n为第n类图像中第i行第j列元素的特征信息，N为心脏MRI图像的总类别数量； 3采用基于动态权重分配的交叉熵函数约束训练生成器的神经网络，不断迭代直至收敛；所述基于动态权重分配的交叉熵函数表达式如下： 其中：Ls为针对有标注图像的生成器的动态权重交叉熵函数，为针对无标注图像的生成器的动态权重交叉熵，为针对无标注图像的动态指数平均网络的动态权重交叉熵，Pi,j,n为对于第n类图像对应特征概率图中第i行第j列元素的特征概率值，W和H分别为图像的宽和高，yai,j,n为第n类有标注图像中第i行第j列元素对应的标注信息，yui,j,n为生成器对于第n类无标注图像中第i行第j列元素提取的特征信息即为Pu经argmax后的伪标注图，yemai,j,n为动态指数平均网络对于第n类无标注图像中第i行第j列元素提取的特征信息即为Pema经argmax后的伪标注图，为动态权重，Ws为基于训练时间的权重，Icurrent为当前训练周期，Itotal为总的训练周期，为基于区域反比的权重，Rb为背景像素所占区域，RN为某一类别所占像素区域； 4将无标注的心脏MRI图像输入至生成器中，生成对应的特征概率图，并将该特征概率图经过argmax函数后与原心脏MRI图像进行融合并输入至判别器中，判别器会输出一个用于判定的指示值和一个用于损失约束的特征向量；所述判别器采用四层的神经网络结构； 5若指示值大于设定的阈值，使用动态标签筛选网络，即从动态指数平均网络中提取相同图像的特征概率图，使其与步骤4中生成的特征概率图在熵约束下进行筛选，选出熵值最低的特征概率图作为无标注心脏MRI图像的伪标签，进而对生成器的神经网络进行自学习监督训练； 6将有标注的心脏MRI图像xa和无标注的心脏MRI图像xu分别输入生成器，对应生成特征概率图Pa和Pu，同时将无标注的心脏MRI图像xu输入动态指数平均网络，生成特征概率图Pema；将Pa与xa进行融合形成fa，将Pu与xu进行融合形成fu； 7将fa和fu分别输入判别器，判别器将对应输出两个指示值Ia和Iu以及两个特征向量Fa和Fu，将两个特征向量Fa和Fu使用L1范数进行约束，将Ia与1进行二元交叉熵约束，将Iu与0进行二元交叉熵约束，完成判别器的训练并最终用以图像分割。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。