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！

龙图腾网获悉长春理工大学申请的专利一种基于内窥镜影像的结肠息肉检测方法及装置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：CN119762484B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202510253851.5，技术领域涉及：G06T7/00；该发明授权一种基于内窥镜影像的结肠息肉检测方法及装置是由温亚雪;李玉琴;张科;蒋振刚;师为礼;苗语设计研发完成，并于2025-03-05向国家知识产权局提交的专利申请。

本一种基于内窥镜影像的结肠息肉检测方法及装置在说明书摘要公布了：本发明属于医疗辅助设备技术领域，尤其为一种基于内窥镜影像的结肠息肉检测方法及装置，包括如下步骤：S1、基于空洞卷积与resnet50残差网络进行多尺度特征提取；S2、结合框辅助对比学习的特征增强；S3、基于centernet网络进行预测；S4、测试阶段自引导边界框匹配。本发明，通过将该检测的高效方法部署在结肠镜检测装置上，能够在结肠镜检查手术过程中实现对结肠镜息肉的实时、精确的定位，提高了结肠镜息肉检查和治疗的效率，降低了患者因多次检查和延误治疗带来的风险，为肠道疾病的早期诊断和治疗提供了有力的保障。

本发明授权一种基于内窥镜影像的结肠息肉检测方法及装置在权利要求书中公布了：1.一种基于内窥镜影像的结肠息肉检测方法，其特征在于，包括如下步骤： S1、基于空洞卷积与resnet50残差网络进行多尺度特征提取； S2、结合框辅助对比学习的特征增强，具体如下：首先，前景特征为结肠镜息肉检测框的框内特征，为原始锚定特征Fa，通过通道注意力机制计算注意力图，将注意力图与Fa通过跳跃连接结合，得到增强后的锚定特征，公式如下： （5）； 其中，是根据相似度度量自适应调整的权重，通过神经网络训练确定，是原始锚定特征，理解为结肠镜息肉检测框的框内特征，是把相邻前后帧进行归一化的结果； 其次，是使用帧间差分法的背景对齐，对于增强后的锚定特征和参考特征，计算它们的帧间差分，即对增强锚定特征和参考特征进行逐元素减法；然后，使用1x1卷积对差分结果进行处理，生成动态场，具体公式如下： （6）； 使用3×3的可变形卷积将背景的动态场融入到增强的锚定特征中，以此对锚定特征进行对齐，得到最终的对齐后的锚定特征，公式如下： （7）； 以上公式是将得到的动态场加入到锚定特征中，对于增强后的锚定特征和参考特征，使用帧间差分法，计算参考帧和目标帧的动态场，给定一批及对应的二值图； 其中，代表批次大小，即一次训练所使用的样本数量，代表帧数，因为是在处理视频相关的特征，视频由多帧图像组成，代表通道数，代表特征图的高度，代表特征图的宽度，为前景二值图，为背景二值图，二值图也被称作掩码； 首先，在批次级别上将锚点和参考帧拼接为和；接着，基于提取跨帧特征的前景和背景通道模式，分别对应于和；随后，对于每个前景通道模式，即“查询”，随机选择另一个不同的前景特征作为“正样本”，而同一批次中的所有背景特征则作为“负样本”；最后，通过InfoNCE计算一步对比损失： （8）； 其中，这个公式是InfoNCE的具体形式，在对比学习中，让模型学习到样本之间的相似性和差异性，在公式的分子中，是查询特征，查询特征即每个前景通道模式，是正样本特征，表示查询特征和正样本特征的点积，用来衡量它们之间的相似性，函数将这个相似性得分进行指数化，是温度超参数，用于调整分布的尖锐程度，越小，分布越尖锐，正样本和负样本之间的区分越严格，在分母中，所有负样本特征属于集合，是负样本的嵌入集合，负样本特征与查询特征点积结果进行指数化并求和，分母的作用是将正样本和负样本的相似性得分进行归一化； 重复这一过程，直到每个前景通道模式被选中，并将所有步骤的损失求和，得到最终的对比损失： （9）； S3、基于centernet网络进行预测； S4、测试阶段自引导边界框匹配，具体如下： 通过高置信度边界框影响低置信度边界框的标签分配，在随后的匹配过程中，需要比较边界框之间的特征相似度； 因此，为每个边界框引入了额外的特征信息，是通过在原始图像中裁剪出边界框内的图像块，得到的对应特征信息，将特征提取器记作，可以由以下公式表达： （10）； 其中，初步预测结果的框内特征，自引导边界框传播将所有的边界框作为输入，其任务是重新分配低置信度边界框的类别标签，为了简化说明，假设有两个类别，记为和，设定置信度阈值和； 对于类别的边界框以及置信度分数，将其视为高置信度HF边界框，类似地，对于类别的边界框以及置信度分数，将其视为高置信度HF边界框，找到的HF和边界框将作为初始确认的和类边界框；接着，从HF和边界框中选择一组代表性的边界框，进行后续的多轮EMD匹配步骤，使用经典的K-means算法，所有未被添加到确认边界框集合中的边界框将视为候选边界框； 计算每个类别的距离约束，对于每个HF边界框，计算该边界框与其它HF边界框之间的最短欧几里得距离，对所有HF边界框进行此过程后，计算所有最短距离的平均值，作为类别的距离约束，记为； 同样地，对HF边界框执行相同的过程，获得，在多轮EMD匹配的初始阶段，将应用和作为约束； 多轮边界框传播包括两个阶段；在第一阶段，传播过程中对新确认的边界框施加更严格的约束；在第二阶段，约束条件被放宽； 在每一轮传播中，假设有个候选边界框和个已确认边界框，在这些已确认的边界框中，个属于类别，其余的个属于类别，EMD的输入包括两个部分：和，其中表示候选边界框，表示已确认的边界框； 具体来说，包括个确认的类边界框和个确认的类边界框，和之间的距离表示为，反映了将候选边界框与已确认框匹配的成本，通过计算和特征之间的欧几里得距离来得出，和之间的匹配流量用表示，其潜在值为0或1； 匹配优化目标为： （11）； 上述公式是最终自引导边界框操作的目标函数，即最小化待确定检测框加入最终结果的成本，约束条件为：每个确认的边界框最多与一个候选边界框匹配，每个候选边界框最多与一个确认的边界框匹配，一个候选边界框最多只能与一个确认的边界框匹配，当时，表示候选边界框已成功与确认的边界框匹配； （12）； （13）； （14）； （15）； 在第一阶段传播过程中，对于每个与相关的已确认的类边界框，其中，找到，使得，如果小于距离约束，将相应的候选边界框加入已确认的类边界框集合，同样的过程适用于与相关的类边界框，其中，然后，更新已确认的边界框集合到新的状态，新增的和类边界框被加入其中，而剩余的候选边界框继续进入下一轮的EMD匹配； 在传播的第一阶段，对于与已确认边界框相关联的边界框，找到的的，计算其欧几里得最短距离即为； 第二阶段的传播，在上一轮传播中未添加任何新的边界框到和类的已确认集合时开始，因此，和约束被放宽，允许更多的边界框被添加到已确认集合中，EMD匹配中找到的任何匹配对都会用于将候选边界框加入已确认的边界框集合； 对于每个与相关的已确认的类边界框，其中，找到，使得，然后将相应的候选边界框加入已确认的类边界框集合，同样的过程适用于与相关的类边界框，其中； 多轮边界框传播的终止条件是：当P中的候选边界框数量为0时；此时，报告所有已确认的边界框集合中的边界框，作为最终的检测结果，涵盖和类别的所有边界框。

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长春理工大学，其通讯地址为：130000 吉林省长春市卫星路7089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”。