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！

龙图腾网获悉湖南科技大学申请的专利一种基于二阶段网络的CT序列图像肺结节检测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：CN116958080B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202310884710.4，技术领域涉及：G06T7/00；该发明授权一种基于二阶段网络的CT序列图像肺结节检测方法是由廖苗;伍蕙珠;邸拴虎;赵于前设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本一种基于二阶段网络的CT序列图像肺结节检测方法在说明书摘要公布了：本发明公开了一种基于二阶段网络的CT序列图像肺结节检测方法，具体实现为：1建立包含原始CT序列图像和其对应的肺结节标注的训练数据集；2构建一种用于肺结节检测的二阶段网络，包含一个用于提取候选肺结节的U形主网络和一个用于生成肺结节假阳性抑制掩摸的寄生网络；3构建一种带边缘的交叉熵损失函数；4利用训练数据集对网络进行训练；5运用训练好的网络对待检测的CT序列图像进行测试，获得肺结节检测结果。本发明通过采用一个二阶段的网络，可有效抑制假阳性结节，提高肺结节检测精度。

本发明授权一种基于二阶段网络的CT序列图像肺结节检测方法在权利要求书中公布了：1.一种基于二阶段网络的CT序列图像肺结节检测方法，其特征在于，包括以下步骤： 1建立包含原始CT序列图像和其对应的肺结节标注的训练数据集A，并将训练数据集A按4:1比例划分为训练子集和验证子集； 2构建一种用于肺结节检测的二阶段网络，称之为TS-Net，具体包括： 2-a构建一种基于并联下采样和稠密块的U形主网络，称之为PPD-UNet，用于CT序列图像候选肺结节提取，该网络具体包括：采用带跳跃连接的U型结构作为网络基准框架，其中编码路径由5个编码块级联组成，解码路径由4个解码块级联组成；第1个编码块由两个3×3×3卷积层连接组成，第2、3、4个编码块的结构相同，均由一个并联下采样块和一个稠密块连接组成，第5个编码块由一个并联下采样块、一个稠密块和一个步长为2的反卷积块连接组成；第1个编码块的输入为原始CT序列图像，且上一个编码块的输出均作为下一个编码块的输入；第1个、第2个和第3个解码块的结构相同，均由一个拼接操作、一个稠密块和一个步长为2的反卷积块连接组成，第4个解码块由一个拼接操作、一个3×3×3卷积和一个Sigmoid激活函数连接组成；由于跳跃连接的引入，第4和第5个编码块的输出均作为第1个解码块的输入，第3个编码块和第1个解码块的输出均作为第2个解码块的输入，第2个编码块和第2个解码块的输出均作为第3个解码块的输入，第1个编码块和第3个解码块的输出均作为第4个解码块的输入；原始CT序列图像为PPD-UNet的输入，第4个解码块的输出为PPD-UNet的输出； 2-b步骤2-a所述的并联下采样模块，具体结构包括：对于输入特征其中C表示输入特征X的通道数，2D、2H、2W分别表示输入特征X每个通道三维特征图的深、高、宽，首先分别采用均值池化、最大值池化和步长为2的跨步卷积对进行下采样，获取特征并将X1、X2、X3进行拼接获取接着对XC分别在三个分支上进行3×3×3卷积，获取特征然后分别对进行全局均值池化和Sigmoid激活，获取三组长度为C的通道向量并分别将X1与W1、X2与W2、X3与W3进行基于广播机制的点乘，即X1中第i个通道特征图的每一个像素均与通道向量W1中第i个值相乘，i＝1,2,..,C，X2中第i个通道特征图的每一个像素均与通道向量W2中第i个值相乘，X3中第i个通道特征图的每一个像素均与通道向量W3中第i个值相乘，由此得到特征最后将的各元素进行相加，得到输出特征 2-c步骤2-a所述的稠密块，具体结构包括： 2-c-ⅰ构建由“批归一化+Relu激活+3×3×3卷积+批归一化+Relu激活+1×1×1卷积”构成的卷积组合； 2-c-ⅱ依次连接n个步骤2-c-i所述的卷积组合，除最后一个卷积组合之外，在其他所有卷积组合之后增加一个拼接操作，其中，第一个卷积组合之后连接的拼接操作，用于拼接稠密块的输入特征与第一个卷积组合的输出，其余拼接操作则用于拼接当前卷积组合与前一个卷积组合的输出； 2-d采用步骤2-b所述的并联下采样、步骤2-c所述的稠密块，以及混合注意力模块，构建一种寄生网络，用于生成肺结节假阳性抑制掩摸，该寄生网络称之为JS-Net，具体结构包括：首先对输入CT序列图像依次进行3×3×3卷积、稠密块特征提取、和并联下采样，得到特征图F1，然后将F1与PPD-UNet第3个解码块中稠密块的输出进行拼接，得到特征图F2，接着对F2依次执行混合注意力、稠密块、和步长为2的反卷积模块，得到特征图F3，并将F3与PPD-UNet第4个解码块中3×3×3卷积的输出进行拼接，得到特征图F4，最后对F4依次执行混合注意力、3×3×3卷积和Sigmoid激活，得到JS-Net网络的输出； 2-e步骤2-d所述的混合注意模块，具体结构包括： 2-e-ⅰ采用两个平行的分支获取输入特征的通道注意力权重和像素注意力权重，具体包括，对于输入特征其中c1表示输入特征f的通道数，d1、h1、w1分别表示输入特征f每个通道三维特征图的深、高、宽，第一个分支对依次进行全局均值池化、3×3×3卷积、Relu激活、3×3×3卷积和Sigmoid激活，获取通道注意力权重第二个分支对依次进行3×3×3卷积、Relu激活、3×3×3卷积和Sigmoid激活，获取像素注意力权重 2-e-ⅱ根据广播机制，将权重和进行相加，获得混合注意力权重 2-e-ⅲ将输入特征与混合注意力权重进行点乘，得到输出特征； 2-f将PPD-UNet和JS-Net的输出进行点乘，即可得到TS-Net的输出； 3构建一种带边缘的交叉熵损失函数MCELoss： 其中，pj表示将第j个像素预测为肺结节的概率，gj表示第j个像素属于肺结节的真实概率，α和β为预设参数，α用于平衡正负样本，β用于设置无损区间；简单易分类的样本通常来源于正常肺部区域，虽然作为简单样本产生的损失较小，但由于正常肺部区域在CT图像中的占比较大，因此仍然会产生大量的损失；考虑到类不平衡造成的训练困难，MCELoss函数对|gj-pj|＜β的简单样本不统计损失，将交叉熵函数缩小映射在困难样本区间，使网络重点关注肺结节与假阳性区域的识别； 4采用训练数据集A对TS-Net网络进行训练，具体训练策略包括：首先对PPD-UNet进行训练，其初始学习率设置为0.01，当验证子集的MCELoss值在训练过程中超过连续5个epoch未下降时，将学习率下调为原来的110；此外，在10个epoch后开始训练JS-Net，其学习率调整策略与PPD-UNet一致； 5采用训练好的TS-Net对待检测的CT序列图像进行测试，获取图像中每一个像素属于肺结节的概率，最后通过引入阈值λ，即可得到肺结节检测结果。

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湖南科技大学，其通讯地址为：411100 湖南省湘潭市雨湖区石码头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”。