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！

龙图腾网获悉复旦大学;复旦大学义乌研究院申请的专利一种面向CT影像的肿瘤分割方法及其系统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：CN115861181B 。

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：202211398539.8，技术领域涉及：G06T7/00；该发明授权一种面向CT影像的肿瘤分割方法及其系统是由张文强;魏徐峻;郭倩宇;高述勇;周新宇设计研发完成，并于2022-11-09向国家知识产权局提交的专利申请。

本一种面向CT影像的肿瘤分割方法及其系统在说明书摘要公布了：本发明涉及一种面向CT影像的肿瘤分割方法及其系统，该方法包括：获取CT肿瘤图像数据集；采用基于多尺度卷积的边缘检测网络模型，从2D数据中提取图像边缘；通过提取的边缘、检测框的位置，基于自适应泛洪填充和自适应梯度选取，获得弱监督标签；采用CNN和Transformer的混合模型，并使用近似边缘解码器，首先利用弱监督标签进行第一轮训练，经过联合损失函数进行修正结果；之后将修正结果作为第二轮训练的标签，训练得到最终的分割模型；将实际待分割的CT肿瘤图像预处理后输入分割模型，输出得到相应的分割结果。与现有技术相比，本发明能够高效准确生成标签后进行模型训练，从而解决全监督标注所产生的费时费力问题，提高分割任务的效率及准确性。

本发明授权一种面向CT影像的肿瘤分割方法及其系统在权利要求书中公布了：1.一种面向CT影像的肿瘤分割方法，其特征在于，包括以下步骤： S1、获取CT肿瘤图像数据集：先将每个3D数据分成若干个2D数据，对2D数据进行弱标注，并对所有的图像进行预处理，之后将CT肿瘤图像数据集划分为训练集和带有真实标签的测试集； S2、边缘提取：采用基于多尺度卷积的边缘检测网络模型，从2D数据中提取图像边缘； S3、自适应泛红填充生成伪标签：通过提取的边缘、检测框的位置，基于自适应泛洪填充和自适应梯度选取，获得弱监督标签； S4、训练分割模型：采用CNN和Transformer的混合模型，并使用近似边缘解码器来细化结构，首先利用弱监督标签进行第一轮训练，经过三种损失函数的联合损失函数进行修正结果；之后将修正结果作为第二轮训练的标签，训练得到最终的分割模型； S5、将实际待分割的CT肿瘤图像预处理后输入分割模型，输出得到相应的分割结果； 步骤S4中训练过程具体为： 第一轮训练使用弱监督标签进行训练，训练的输入为：2D预处理之后的CT切片图像、预处理之后的边缘图像以及CT图像长宽对齐的弱标签图； 模型训练采用SGD优化器，学习率根据训练epoch进行自适应衰减，每10个epoch进行一次衰减，衰减比率为0.1，并采用二元交叉熵损失、局部交叉熵损失和门控CRF损失，对于边缘解码器分支，使用二元交叉熵损失来约束e： 其中，y为真实标签，e表示边缘图，r和c表示图像的行坐标和列坐标，而解码器分支则使用局部交叉熵损失和门控CRF损失，局部交叉熵损失设计的目的是让模型只关注确定区域而忽略不确定区域： 其中，J表示标记区域，g表示groundtruth，s表示预测的肿瘤图； 门控CRF损失为： 其中，Ki为像素i周围的k×k范围所覆盖的区域，di,j定义为： di,j＝|si-sj| 其中，si和sj为位置i和j处s的置信度值，|·|表示L1距离，fi,j为高斯核带宽滤波器： 其中，为归一化的权值，I·和PT·为像素的灰度值和像素的位置，σPT和σI为控制高斯核尺度的超参数，由此定义总损失函数为： Lfinal＝α1Lbce+α2Lpbce+α3Lgcrf 其中，α1，α2，α3分别为二元交叉熵损失、局部交叉熵损失和门控CRF损失对应的权重； 第二轮训练使用第一轮训练生成的新的修正标签作为groundtruth来监督模型，对其分割能力进行进一步优化，这种自监督的训练方式可以有效地增强模型对医疗影像语义的理解，提升肿瘤的分割精度，将第二轮训练后得到的模型作为最终的分割模型。

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复旦大学;复旦大学义乌研究院，其通讯地址为：200433 上海市杨浦区邯郸路220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”。