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！

龙图腾网获悉浙江工业大学申请的专利一种面向边界框标注的迭代弱监督上颌窦分割方法和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：CN116012642B 。

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：202211630940.X，技术领域涉及：G06V10/26；该发明授权一种面向边界框标注的迭代弱监督上颌窦分割方法和系统是由徐新黎;王天浩;王凯栋;管秋;龙海霞;胡海根设计研发完成，并于2022-12-19向国家知识产权局提交的专利申请。

本一种面向边界框标注的迭代弱监督上颌窦分割方法和系统在说明书摘要公布了：一种面向边界框标注的迭代弱监督上颌窦分割方法，包括：通过运用超像素算法生成良好贴合口腔CBCT图像边缘的超像素，然后借助卷积神经网络提取超像素特征，根据超像素的邻接关系构建超像素图；为了提高边界框弱监督的分割性能，除了利用超像素级CRF模型生成初始的伪标签用于超像素语义分类的改进图卷积网络训练以外，还把改进图卷积神经网络的预测结果周期性地输入超像素级CRF模型以更新和精细化伪标签用于迭代学习训练；对口腔CBCT图像，应用弱监督迭代训练得到的模型可以得到性能优秀的上颌窦分割结果。本发明还包括一种面向边界框标注的迭代弱监督上颌窦分割系统。本发明解决了手动标注医学图像精确标签耗时耗力的问题。

本发明授权一种面向边界框标注的迭代弱监督上颌窦分割方法和系统在权利要求书中公布了：1.一种面向边界框标注的迭代弱监督上颌窦分割方法，其特征在于：包括如下步骤： 步骤一：根据上颌窦腔的最优窗宽窗位，对若干口腔CBCT，即ConebeamCT，进行预处理后，对其冠状图的上颌窦区域以边界框的形式进行框选标注，并按预设比例将标注后的冠状图数据划分为训练集D1和测试集D2； 步骤二：将D1和D2中的每张单通道图像分别输入线性谱聚类LSC得到对应图像的n个超像素，其中n为预设的超像素数目，将D1和D2分别转化为超像素集S1和S2； 步骤三：使用超像素集S1训练特征提取网络Unet； 步骤四：对于训练集D1中每张图像，用训练好的特征提取网络Unet提取其各超像素si的特征fi∈Rd，d为特征向量fi的长度，得到特征矩阵F∈Rn×d，依据超像素块的特征和超像素块之间的空间关系构建各图像的超像素图G＝V，E，F，其中V＝{si|i＝1,2，..，n}和E＝{eij|i＝1,2，..，n，j＝1,2，...，n}分别表示所有顶点和边的集合，每个超像素si对应一个图上的节点，连边eij代表着空间上超像素si和sj之间的邻居关系，所有节点的连边关系构成一个邻接矩阵A∈Rn×n， 步骤五：根据各图像的超像素图，以超像素的类别为随机变量，构建一个条件随机场CRF，将边界框标注信息作为CRF的一元势，使用结构化SVM求解器SSVM训练具有参数θ＝{Wu，Wp}的超像素级CRF模型，使用AD3算法计算得到最大后验MAP的标签序列为最优标签y*： 其中，是一元势函数，表示将超像素si分为标签类别yi的能量，为超像素特征fi和系数Wu∈RK×d的线性组合，pyi|fi表示在给定特征向量fi的情况下超像素xi被分配给标签yi的概率，表示成对势函数，j∈δi表示超像素si的所有相邻超像素，sgn.是0-1指示函数，是过渡矩阵Wp∈RK×K的一个元素，表示与属于标签yj的超像素相邻的超像素被标记为yi的可能性，|Dij|代表两个超像素si和sj的特征向量fi与fj之间的距离，fik是特征向量fi的第k个元素； 步骤六：把各超像素图的最优标签y*作为初始伪标签LB，将各超像素图的连接矩阵A∈Rn×n和特征矩阵F∈Rn×d分别输入超像素分类网络即改进的图卷积网络IGCN，用初始伪标签LB训练更新IGCN模型参数Wl，W1和W2以最小化节点的交叉熵损失函数L，直至达到迭代步数epoch，其中IGCN层与层之间的传播为： Zl+1＝ReluHl+1W1W2，8 其中ReLu.为激活函数，和分别表示第l+1层和第l层的输出，H0＝F，dl和dl+1分别为第l层和第+1层的特征向量维度， 为添加了自连接的邻接矩阵A，I∈Rn×n为单位矩阵，是的度矩阵，Wl是第l层的可训练权重矩阵，Zl+1为更新后的第l+1层输出，和是两个全连层的权重，IGCN的最后一层用SoftMax计算分类概率，并结合伪标签LB计算交叉熵损失函数L： 其中yi为超像素si的标签，为超像素si取yi＝1的概率； 步骤七：基于超像素级CRF和超像素分类网络IGCN以迭代学习的方式逐步完善超像素的伪标签，直到达到最大迭代步数T2； 步骤八：对超像素集S2中各超像素使用训练好的特征提取网络Unet提取特征； 步骤九：对于测试集D2中每张图像，根据各超像素特征和超像素之间的空间关系构建超像素图，得到连接矩阵A和特征矩阵F； 步骤十：将超像素图的连接矩阵A和特征矩阵F输入训练好的超像素分类网络IGCN，得到上颌窦的分割结果。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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”。