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！

龙图腾网获悉北京中科云影科技有限公司申请的专利一种医疗影像数据的分割方法及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：CN119963567B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202510050520.1，技术领域涉及：G06T7/10；该发明授权一种医疗影像数据的分割方法及系统是由苏同金设计研发完成，并于2025-01-13向国家知识产权局提交的专利申请。

本一种医疗影像数据的分割方法及系统在说明书摘要公布了：本发明属于影像分割技术领域，公开了一种医疗影像数据的分割方法及系统。所述的方法包括如下步骤：采集若干历史医疗影像数据，并对若干历史医疗影像数据进行图像处理，得到设置有真实标签的若干图像处理后历史医疗影像数据；根据若干图像处理后历史医疗影像数据，使用注意力多尺度融合深度学习算法，构建医疗影像数据分割模型；采集实时医疗影像数据，并使用医疗影像数据分割模型，对实时医疗影像数据进行医疗影像数据分割，得到实时医疗影像数据分割结果。本发明解决了现有技术存在的分割精度不足、模型泛化能力差以及自动化和智能化程度低的问题。

本发明授权一种医疗影像数据的分割方法及系统在权利要求书中公布了：1.一种医疗影像数据的分割方法，其特征在于：包括如下步骤： 采集若干历史医疗影像数据，并对若干历史医疗影像数据进行图像处理，得到设置有真实标签的若干图像处理后历史医疗影像数据； 根据若干图像处理后历史医疗影像数据，使用注意力多尺度融合深度学习算法，构建医疗影像数据分割模型，包括如下步骤： 使用CNN算法，构建分割网络，并引入多尺度特征融合机制，对分割网络进行改进，得到多尺度特征融合网络； 所述的多尺度特征融合网络包括依次连接的多尺度输入层、多尺度特征提取层以及多尺度特征输出层； 引入注意力机制，对多尺度特征融合网络进行改进，得到初始的医疗影像数据分割模型，包括如下步骤： 在多尺度特征融合网络的多尺度输入层与多尺度特征提取层之间，设置注意力生成层； 在多尺度特征融合网络的多尺度特征提取层与多尺度特征输出层之间，设置注意力加权融合层； 在多尺度特征输出层之后，设置注意力调整层，得到初始的医疗影像数据分割模型； 使用若干图像处理后历史医疗影像数据，对初始的医疗影像数据分割模型进行优化训练，得到优化的医疗影像数据分割模型，并生成若干历史医疗影像数据分割结果； 根据若干历史医疗影像数据分割结果，对优化的医疗影像数据分割模型进行分割效果分析，得到实时分割效果分析结果，包括如下步骤： 提取若干历史医疗影像数据分割结果的历史特征向量，并对若干历史特征向量进行标准化处理，得到若干标准化处理后历史特征向量； 根据若干标准化处理后历史特征向量，构建特征空间，并使用k-NN算法，获取特征空间中每一历史特征向量的k个邻居； 根据每一历史特征向量的k个邻居，进行分割效果分析，得到优化的医疗影像数据分割模型的实时分割效果分析结果，包括如下步骤： 获取每一历史特征向量与k个邻居的欧式距离，并根据若干欧式距离的平均距离，得到分割效果一致性评分； 根据若干欧式距离的距离标准差，得到分割效果不确定性评分； 根据分割效果一致性评分和分割效果不确定性评分，得到优化的医疗影像数据分割模型的实时分割效果分析结果； 根据实时分割效果分析结果，使用群智能优化算法，对优化的医疗影像数据分割模型的模型参数进行优化，得到最终的医疗影像数据分割模型，包括如下步骤： 根据实时分割效果分析结果，定义群智能优化算法的优化目标，并将优化的医疗影像数据分割模型的模型参数编码为群智能优化算法的个体向量； 根据优化目标和个体向量，使用群智能优化算法，在搜索空间中进行迭代寻优，得到最优个体，包括如下步骤： 设定ISSA算法的算法参数和最大迭代次数，并根据优化目标，设定适应度函数； ISSA算法的算法参数包括搜索空间为N×D维度，确定搜索空间食物为F＝[F1,F2,...,FD]T和麻雀位置为X＝[Xh1,Xh2,...,XhD]T；其中，F为搜索空间食物矩阵，F1,F2,...,FD均为搜索空间食物矩阵元素，X为麻雀位置矩阵，Xh1,Xh2,...,XhD均为麻雀位置矩阵元素，N为ISSA个体数量，D为模型优化问题的维度；h为麻雀总数； 公式为： 式中，fXc为ISSA个体Xc的适应度值；AXc为ISSA个体Xc的不确定性函数；TXc为ISSA个体Xc的一致性函数；α、β均为权重系数；为不为0的最小实数；c为ISSA个体指示量； 根据算法参数和个体向量，使用Circle混沌映射序列进行初始化，得到包括若干初始的ISSA个体的初始的ISSA种群； 公式为： 式中，X'c为Circle混沌映射的初始的ISSA个体；Xc *为随机生成的初始的ISSA个体； 使用适应度函数，得到所有初始的ISSA种群的初始的适应度值，并根据初始的适应度值，对初始的ISSA个体进行排序，得到初始的发现者、初始的加入者以及初始的捕食者； 对初始的ISSA种群进行更新，得到更新的ISSA种群；更新的ISSA种群包括更新的发现者、更新的加入者以及更新的捕食者； 发现者的更新公式为： 式中，分别为第t+1、t次迭代的第c个发现者ISSA个体；itermax为最大迭代次数；ξ为0到1之间的随机数；Q为正态分布随机数；L为1×D的矩阵，其元素全为1；R2为警戒值；ST为安全阈值； 加入者的更新公式为： 式中，分别为第t+1、t次迭代的第c个加入者ISSA个体；为暴露身份者占据的最佳位置；为当前最差位置；itermax为最大迭代次数阈值；ξ为0到1之间的随机数；L为1×D的矩阵，其元素全为1或者-1；A+为位置更新参数； 捕食者的更新公式为： 式中，分别为第t+1、t次迭代的第c个捕食者ISSA个体；δ为步长控制参数，且δ＝a"·γ"，a"为收敛因子，γ"为不为0的步长控制正实数；为当前最佳位置；fc、fg、fw分别为ISSA个体的当前、最佳以及最差适应度；γ为最小常数，防止分母为0； 式中，a"为收敛因子；tanh.为双曲正切函数；t为迭代指示量；tmax为最大迭代次数；amax、amin分别为收敛因子的最大、小值；λ为递减速率参数，k"为递减周期参数； 使用动态反向学习算法，对更新的ISSA种群进行动态反向学习，生成动态反向的ISSA种群； 公式为： 式中，为动态反向的ISSA个体；γ*为递减惯性系数；ub为搜索空间上限；lb为搜索空间下限；为更新的ISSA个体； 使用适应度函数，获取更新的ISSA种群和动态反向的ISSA种群中所有的ISSA个体的更新的适应度值，并根据更新的适应度值，得到最优个体； 若当前迭代次数大于最大迭代次数或最优个体的适应度值小于适应度阈值，则输出最优个体； 对最优个体的个体向量进行解码，得到优化的医疗影像数据分割模型的最优的模型参数； 根据最优的模型参数，对优化的医疗影像数据分割模型进行优化，得到最终的医疗影像数据分割模型； 采集实时医疗影像数据，并使用医疗影像数据分割模型，对实时医疗影像数据进行医疗影像数据分割，得到实时医疗影像数据分割结果。

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北京中科云影科技有限公司，其通讯地址为：100000 北京市大兴区北京经济技术开发区科创十三街18号院8号楼2层202室(门牌号)；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”。

以上内容由龙图腾AI智能生成。