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！

龙图腾网获悉西安电子科技大学申请的专利基于多模态MRI的集成MP-Unet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：CN116229071B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202310192373.2，技术领域涉及：G06V10/26；该发明授权基于多模态MRI的集成MP-Unet分割方法是由余航;谢子川;刘志恒;解立志;尹相杰;李晨阳;张立娜;杜思瑶;高斯设计研发完成，并于2023-03-02向国家知识产权局提交的专利申请。

本基于多模态MRI的集成MP-Unet分割方法在说明书摘要公布了：本发明旨在解决现有方法对核磁共振影像MRIMagnaticResonanceImaging的多功能模态利用率低下的问题，提出了一种基于多模态MRI的集成MP‑Unet分割方法，其实现思路为：对影像进行归一化并去噪；生成Unet数据集，通过Unet精度来衡量模态质量；优质模态作为MP‑Unet模型训练用的数据集；构建MP‑Unet并进行模型训练；训练出的多组MP‑Unet模型结合Bagging算法进行集成决策分割。本发明对MRI影像进行目标分割时，可以结合多种模态数据，极大提高对MRI影像的分割精度，Bagging算法可集成多个MP‑Unet，进一步提高对MRI影像的分割精度，并有效减少非正确预测。

本发明授权基于多模态MRI的集成MP-Unet分割方法在权利要求书中公布了：1.一种基于多模态MRI的集成MP-Unet分割方法，其特征在于，构建MP-Unet模型，并采用Bagging算法实现所有MP-Unet模型的集成决策分割；该分割方法的步骤包括如下： 步骤1，对影像预处理： 步骤1.1，对每种MRI模态的影像进行灰度值归一化处理： 步骤1.2，对T1Mapping、T2Mapping和STIR三种MRI模态的影像进行阈值去噪处理： 步骤2，生成用于Unet训练的数据集： 将每个模态预处理后影像生成该模态的样本集，将每个样本集中的样本以7:3的比例分割为该模态用于训练Unet模型的训练集和用于检测Unet模型精度的验证集； 步骤3，训练每个模态的Unet模型： 步骤3.1，将训练的batchsize参数设置为1，训练周期设置为300个epoch； 步骤3.2，将每个模态的训练集分别输入到Unet模型中，计算预测结果与标注图的损失值，采用Adam算法进行300个epoch损失值的优化，得到每种模态训练好的Unet模型； 步骤4，为MP-Unet模型选择优质模态： 将验证集输入到每种模态训练好的Unet模型中，通过对比Unet在验证集上的Dice系数精度判断MRI影像模态质量的高低，精度越高代表模态质量越好，模态质量排序为M1,M2,....,Mn，其中，Mi代表模态质量排在第i位的MRI模态，将所有第k和第k+1位序模态之间的Unet精度之差超过5％的前k个模态选为优质模态； 步骤5，生成MP-Unet模型数据集： 步骤5.1，将k个优质模态组成k-2组数据集，每组数据集中包含三种优质模态； 步骤5.2，对每组数据集依次进行翻转、旋转、裁剪、变形、缩放的增强处理，将增强处理后的每组数据集以7:3的比例分割成用于MP-Unet模型的训练的数据集和用于性能验证验证集； 步骤6，构建MP-Unet模型： 搭建由三个编码器和一个解码器组成的MP-Unet模型，MP-Unet的三个编码器都采用VGG16网络； 在每次下采样之前，在三个编码路径中得到的特征图被复制和串联，以此得到的多通道特征图作为解码器的输入，来自多路径串联的多通道特征图与解码路径中相同分辨率的特征图串联； 在MP-Unet解码器的最终输出特征图通过softmax函数计算后，利用Dice损失函数和交叉熵损失函数之和作为MP-Unet损失函数； 所述的编码器包含五次下采样，每次下采样前通过两次卷积操作，每个卷积核大小设置为3*3，每次卷积操作后使用ReLU函数作为激活层，下采样通过最大池化层实现； 所述解码器包含五次上采样，每次上采样前通过两次卷积操作，每个卷积核大小设置为3*3，每次卷积操作后使用ReLU函数作为激活层，上采样采用临近插值算法实现,模型最后一层使用softmax函数进行激活； 步骤7，训练MP-Unet模型： 步骤7.1，将训练集中每2个样本组成一个训练批次； 步骤7.2，MP-Unet模型的主干部分使用基于ImageNet数据集训练的VGG16模型参数进行初始化； 步骤7.3，对输入到MP-Unet分割模型中的训练批次，进行前向传播，输出分割后的图像； 步骤7.4，利用MP-Unet损失函数，计算经过MP-Unet模型分割后的图像与对应标注图像之间的损失值； 步骤7.5，利用Adam算法，优化MP-Unet损失函数，重复执行步骤7.3至步骤7.4共300个周期后得到最优MP-Unet模型权重； 步骤7.6，对步骤5.1的k-2组数据集，采用与步骤7.1至步骤7.5相同的操作，得到训练好的k-2个MP-Unet模型； 步骤8，利用Bagging算法对所有MP-Unet模型进行决策分割： 步骤8.1，将待分割样本输入到对应模态的训练好的MP-Unet模型中； 步骤8.2，k-2个MP-Unet都执行步骤8.1，生成k-2个预测结果，分别为Seg1,Seg2,...,Segk-2； 步骤8.3，所有预测结果在像素位置i,j处的值分别为Segi,j的可能值为0和1，分别代表前景和背景，若1值在i,j位置出现次数比0值多，则选择1作为该位置的最终预测结果，反之则选择0作为该位置的最终预测结果，通过对所有像素位置执行上述操作，得到最终的集成决策分割结果。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。