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！

龙图腾网获悉天津大学申请的专利基于条件扩散模型和迁移学习的跨模态超声图像分割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：CN120163984B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202510370540.7，技术领域涉及：G06V10/26；该发明授权基于条件扩散模型和迁移学习的跨模态超声图像分割方法是由姜杉;王力文;杨志永;周泽洋;李煜华设计研发完成，并于2025-03-27向国家知识产权局提交的专利申请。

本基于条件扩散模型和迁移学习的跨模态超声图像分割方法在说明书摘要公布了：本发明公开了一种基于条件扩散模型和迁移学习的跨模态超声图像分割方法，包括：首先获取三维原模态数据集与三维目标模态数据集并进行预处理；然后构建条件扩散模型，设定训练参数并训练模型，获得训练后的条件扩散模型以及条件去噪网络的权重参数；再利用训练后的条件扩散模型对预处理后的三维原模态数据集进行推理，批量翻译为带标签的三维模拟超声图像；再将训练后的权重参数迁移到混合注意力分割网络中并对分割网络进行预训练；最后使用迁移学习，通过三维目标模态训练集对预训练后的混合注意力分割网络的参数进行微调训练以适应三维真实超声数据，以在三维目标模态验证集表现最好的微调模型作为混合注意力分割模型进行图像分割。

本发明授权基于条件扩散模型和迁移学习的跨模态超声图像分割方法在权利要求书中公布了：1.一种基于条件扩散模型和迁移学习的跨模态超声图像分割方法，其特征在于，该方法包括以下步骤： 步骤1、获取同一器官或病灶的三维原模态数据集与三维目标模态数据集，进行数据预处理，以适配条件扩散模型与混合注意力分割模型的输入，获得预处理后的数据集，并将预处理后的数据集划分为三维原模态训练集、三维原模态验证集、三维原模态测试集、三维目标模态训练集、三维目标模态验证集和三维目标模态测试集；三维目标模态数据集为三维真实超声数据集，由三维真实超声图像构成； 步骤2、构建条件扩散模型，基于步骤1得到的三维原模态训练集和三维目标模态训练集设定训练参数并采用动态学习率调整和噪声调节的方式来充分训练条件扩散模型，训练完成后，获得训练后的条件扩散模型以及训练后的条件扩散模型中的条件去噪网络TU-Net的权重参数； 其中，条件去噪网络TU-Net包括五层并行编码器和五层共享解码器；五层并行编码器依次顺序连接，五层共享解码器依次顺序连接；第5层并行编码器的输出传输至第1层共享解码器； 第1层并行编码器的输出同时通过跳跃连接传输至第4层共享解码器，第2层并行编码器的输出同时通过跳跃连接传输至第3层共享解码器，第3层并行编码器的输出同时通过跳跃连接传输至第2层共享解码器，第4层并行编码器的输出同时通过跳跃连接传输至第1层共享解码器； 第1～4层并行编码器的结构相同，均由一个CNN编码块、一个条件信息嵌入模块、一个Transformer编码块和一个特征融合模块构成；其中CNN编码块、条件信息嵌入模块和Transformer编码块并行；输入进入CNN编码块、条件信息嵌入模块和Transformer编码块；条件信息嵌入模块对条件信息进行处理输出CNN局部特征权重wCNN和Transformer局部特征权重wTr，分别用来调制CNN编码块和Transformer编码块的输出；特征融合模块将来自CNN编码块的输出特征FCNN与Transformer编码块的输出特征FTr进行融合，得到融合特征图作为每层并行编码器的输出； 第5层并行编码器为瓶颈层，包括两个卷积块，每次卷积后使用BatchNormalization进行归一化，然后使用Sigmoid激活函数进行激活，再进行一次下采样； 第1～5层共享解码器的结构相同，均首先进行一次上采样，再采用两个卷积块，每次卷积后均使用BatchNormalization进行归一化，然后使用Sigmoid激活函数进行激活； 其中，条件去噪网络TU-Net中使用的条件信息为局部互信息；训练阶段，通过计算局部互信息，训练条件扩散模型生成与三维目标模态图像风格相同的图像；局部互信息的实现为： 式5中，pδx,y为在领域δ上的联合概率密度函数；分别为在领域δxi和δyj的边缘概率密度函数； 步骤3、利用步骤2的训练后的条件扩散模型对步骤1得到的预处理后的三维原模态数据集中的每张三维原模态图像进行推理，批量翻译为带标签的三维模拟超声图像，进而形成带标签的三维模拟超声数据集，并将带标签的三维模拟超声数据集划分为训练集和测试集； 步骤4、将步骤2得到的训练后的条件扩散模型中的条件去噪网络TU-Net的权重参数迁移到混合注意力分割网络中，利用步骤3的训练集对混合注意力分割网络进行预训练，得到预训练后的混合注意力分割网络； 其中，混合注意力分割网络与条件去噪网络TU-Net的结构相同，区别仅在于：在第1～4层并行编码器中不设置条件信息嵌入模块； 其中，混合注意力分割网络中的特征融合模块的结构与条件去噪网络TU-Net中的特征融合模块相同，区别仅在于：CNN的特征权重与Transformer的特征权重的取值固定并满足两者之和等于1； 步骤5、使用迁移学习的方法，通过步骤1得到的三维目标模态训练集对步骤4得到的预训练后的混合注意力分割网络的参数进行微调训练以适应三维真实超声数据，以微调训练完成后且在步骤1的三维目标模态验证集表现最好的微调模型作为混合注意力分割模型；再利用混合注意力分割模型对步骤1的三维目标模态测试集进行处理，得到分割结果。

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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”。