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！

龙图腾网获悉康复大学青岛中心医院;青岛科技大学申请的专利一种改进型的少样本医学图像靶区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：CN119722604B 。

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：202411776989.5，技术领域涉及：G06T7/00；该发明授权一种改进型的少样本医学图像靶区分割方法是由毛健;刘健;宋波;程远志;李诚;刘畅;李辉;袁永峰;汪国华;孙翌凯设计研发完成，并于2024-12-05向国家知识产权局提交的专利申请。

本一种改进型的少样本医学图像靶区分割方法在说明书摘要公布了：本发明公开了一种改进型的少样本医学图像靶区分割方法，属于医学图像分割技术领域，解决医学图像分割中面临的少样本、类内多样性不足、类间差异性学习不充分以及跨域数据集间分割性能不佳等技术难题。本发明分割方法，包括支持集处理、原型生产与优化、交叉原型学习与优化、以及查询集处理与分割，引入独立原型自注意力模块和交叉原型注意力模块，对支持集图像中的前景原型和背景原型进行精细化的学习和优化，从而增强模型在少样本条件下对复杂医学图像的分割能力。迭代优化机制，通过多次迭代更新前景和背景原型，持续提升分割精度和模型的鲁棒性，尤其适用于处理高噪声和复杂背景的医学图像。

本发明授权一种改进型的少样本医学图像靶区分割方法在权利要求书中公布了：1.一种改进型的少样本医学图像靶区分割方法，其特征在于，包括支持集处理、原型生产与优化、交叉原型学习与优化、以及查询集处理与分割，引入独立原型自注意力模块和交叉原型注意力模块，对支持集图像中的前景原型和背景原型进行精细化的学习和优化，增强模型在少样本条件下对复杂医学图像的分割能力； 具体包括步骤如下： S1支持集特征提取：采用支持原型生成模块，通过特征提取器从支持集图像中提取高维度的特征，然后通过原型生成器生成支持图像的前景和背景的初始原型； S2原型生成与优化：采用独立原型自注意力模块，对步骤S1生成支持图像的初步的前景和背景原型进行自注意力层优化，通过捕捉原型内部的细微差异，提升对类内多样性的处理能力，以增强其表达能力，使得原型能够更好地表达支持集中类别的核心特征； 独立原型自注意力模块，其结构由自注意力层和残差连接构成，自注意力层用于学习前景和背景原型之间的关系，通过自注意力机制分析原型内部的关系，自注意力层计算每个原型与其他原型之间的关系权重，强调对类内多样性贡献较大的原型特征，残差连接用于保持原始特征信息，确保模型优化过程的稳定性； 查询前景原型具体表达为：通过三个不同的线性权重层将其投影到不同的空间，生成、和，均为大小；其中，为Query矩阵，用于查询注意力权重；为Key矩阵，与一起用于计算注意力权重；为Value矩阵，包含实际要提取的重要信息；利用余弦相似度计算得到的注意力图，描述了与之间的相互关系： ； 通过此注意力图，模型能够自适应地提取和学习中的重要信息； 进一步，加入残差结构和层归一化，以优化输出序列： ； 更新后的接着通过前馈神经网络，该网络包含两个线性层升维和降维、及一个GELU激活层，同时采用残差连接和层归一化： ； S3交叉原型学习与优化：采用交叉原型注意力模块，对支持图像的前景与背景差异性学习，通过多头注意力机制，将步骤S2中优化后的支持图像的前景与背景原型进行交叉匹配； 通过探索支持前景与背景原型之间的关系，学习前景原型和背景原型之间的差异性知识进行建模，学习其间的相关性特征，并将特征有效转移到查询前景和背景中，不断迭代更新，逐步优化查询图像中的前景和背景特征原型； 交叉原型注意力模块，该模块的结构包括多头注意力机制、位置编码和解码器，所述多头注意力机制用于捕捉前景和背景原型之间的复杂关系，所述位置编码保留空间位置信息，而所述解码器则负责将优化后的特征映射回查询图像中； 交叉原型注意力模块通过探索支持前景与背景原型之间的关系，学习其间的相关性特征，并将这些特征有效转移到查询前景和背景中，以达到修正的效果，具体算法如下： ， 其中，A1：注意力得分矩阵，用于衡量查询特征Pq和键特征的相似性；Pq：查询特征，表示查询集的特征向量；Pk：键特征，表示支持集的特征向量；C：特征向量的维度，用于归一化，避免高维特征点积导致的数值过大；上述公式作用：通过点积计算Pq和的相似性，并生成注意力得分； ， 其中，Mask：掩码，用于遮蔽不需要关注的区域；对某些像素或区域施加权重限制以忽略它们对分割的影响；上述公式作用：在原始注意力得分基础上添加掩码，使模型更专注于特定的前景或背景区域； ， 其中，：更新后的特征向量，通过注意力得分A2对值向量Pv进行加权；softmaxA2：归一化注意力得分，确保权重和为1；：对Pv中的特征加权，：保留原始特征，确保模型稳定性； LN：层归一化，对更新后的特征向量进行归一化，确保分布稳定，避免梯度爆炸或消失； 上述公式作用：通过注意力机制对特征进行加权优化，同时保留原始信息，结合层归一化增强特征的表达能力，使得模型能够更准确地捕捉前景和背景之间的差异，这种优化方式能够在复杂背景或少样本条件下提高分割的鲁棒性和精度； ， 其中，FFNN：前馈神经网络，对特征进行非线性变换，增强其表达能力；上述公式作用：进一步优化，通过非线性激活提取更深层的特征； 接着，通过对注意力得分A2应用softmax函数，并与值结合，完成查询前景原型的自更新过程： ； 其中，Q：查询特征矩阵；K：键特征矩阵；上述公式作用：按照计算上述原理公式方式，重新计算注意力得分矩阵，用于多次优化； 模型对更新后的查询前景-背景特征执行全局平均池化，并将其与查询图像的像素特征进行余弦相似度计算，从而获得新的查询前景-背景原型： ， 其中，Pf l+1和Pb l+1：优化后的前景原型和背景原型；Fq：查询图像特征；GAP全局平均池化：对前景和背景特征进行全局池化，提取全局特征，减少局部噪声干扰；QPG：原型生成函数，将池化后的前景和背景特征与查询图像特征结合，生成新的原型；上述公式作用：通过全局池化和查询特征的交互，更新前景和背景原型，使分割更加精确； S4查询集处理与分割：查询图像的迭代分割，将步骤S3中优化后的前景原型和背景原型应用于查询图像，将查询图像中的像素特征与优化后的前景和背景原型进行匹配，通过计算每个像素与原型之间的相似度，确定每个像素所属的类别是前景、还是背景，相似度最高的类别被选定为该像素的标签，从而生成对应的前景和背景分割掩码。

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康复大学青岛中心医院;青岛科技大学，其通讯地址为：266000 山东省青岛市四流南路127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”。