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！

龙图腾网获悉成都信息工程大学;南充生物医药产业技术研究院申请的专利基于双分支特征融合注意的医学图像小目标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：CN116681679B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202310683187.9，技术领域涉及：G06T7/00；该发明授权基于双分支特征融合注意的医学图像小目标分割方法是由李孝杰;费欣;任红萍;罗勇;李芮;杨智鹏;吕建成;吴锡设计研发完成，并于2023-06-09向国家知识产权局提交的专利申请。

本基于双分支特征融合注意的医学图像小目标分割方法在说明书摘要公布了：本发明提出基于双分支特征融合注意的医学图像小目标分割方法，尤其涉及医学图像癌变区域和目标器官的分割，主要针对小目标分割精度不高的问题。构建的分割模型主要包括两个核心模块：双分支特征融合模块DFFM和反向注意上下文模块RACM，首先利用双分支特征编码器提取多分辨率特征，然后构建DFFM，聚合全局和局部上下文信息，实现特征间的信息互补，为精确分割小目标提供足够的指导。为了缓解医学图像边界模糊导致的分割精度下降，提出了反向注意上下文模块来增强特征的边缘纹理，本发明采用六个不同的数据集作为训练集，通过实验证明，本发明方法在参数更少，推理速度更快，模型复杂度更低的情况下，其分割精度比现有方法有更好的表现。

本发明授权基于双分支特征融合注意的医学图像小目标分割方法在权利要求书中公布了：1.基于双分支特征融合注意的医学图像小目标分割方法，其特征在于，所述方法构建了一个针对医学图像中小目标区域的分割网络，分别用六种不同的数据集作为训练集进行学习，构建的分割网络包括特征编码器、特征融合模块和反向注意上下文模块，特征编码器用于提取多分辨率特征，特征融合模块用于聚合全局和局部上下文信息，反向注意上下文模块用于增强特征的边缘纹理，具体包括： 步骤1：准备医学图像分割所需数据集，包括三维多类别鼻咽癌CT图像、三维单类别鼻咽癌MRI图像数据、三维心脏MRI图像数据、Polyp息肉混合数据集在内的6个数据集； 步骤2：对步骤1所获取的六个不同数据集分别进行第一步预处理，并分别按照约定比例划分成训练集和测试集； 步骤3：对所述训练集和所述测试集进行第二步预处理，同时，构建并初始化双分支特征融合注意小目标分割网络，具体包括： 步骤31：针对三维单类别鼻咽癌MRI数据集和Polyp息肉数据集，将原始图像转换成三通道的RGB图像，对应的标签图像转换成二值灰度图像，并对所述二值灰度图像进行数据增强的预处理； 步骤32：构建小目标分割网络，所述分割网络包括一个双分支特征编码器，三个特征融合模块，一个解码器，所述分割网络的双分支特征编码器由两个并行的独立分类主干网络构成，第一分支编码器采用ResNet网络作为细节分支，第二分支编码器采用ShuffleNet网络作为语义分支，用于提取输入图像的多尺度特征信息；三个特征融合模块分别插入到所述双分支特征编码器之间，用于融合所述双分支特征编码器中同一层的特征信息；所述分割网络的解码器由两个反向注意上下文模块堆叠而成，用于将不同尺度的融合特征进行特征恢复； 步骤4：将步骤31处理后的训练集输入构建完成的所述分割网络中，对网络进行训练，具体包括： 步骤41：将所述训练集中的同一原始图像分别传入编码器的两个并行分支编码器，提取特征信息，每个分支分别输出三层的特征图，所述细节分支的输出表示为细节特征图Ri，具体包括第一细节特征图R1、第二细节特征图R2、第三细节特征图R3，所述第三细节特征图R3上采样后生成第一辅助特征图f1，所述语义分支的输出表示为语义特征图Si，具体包括第一语义特征图S1、第二语义特征图S2、第三语义特征图S3，所述第三语义特征图S3上采样后生成第二辅助特征图f2，i=1，2，3； 步骤42：然后将细节特征图和语义特征图传入对应的特征融合模块中，得到融合特征图Bi，具体的，R1和S1送入第三特征融合模块得到第三融合特征图B3，R2和S2送入第二特征融合模块得到第二融合特征图B2，所述第二融合特征图B2上采样后生成第四辅助特征图f4，R3和S3送入第一特征融合模块得到第一融合特征图B1，所述第一融合特征图B1上采样后生成第三辅助特征图f3； 步骤43：将所述第一融合特征图B1和第二融合特征图B2传入所述解码器，通过第一反向注意上下文模块强化类别，并利用浅层细节特征进行特征恢复，得到第一特征恢复图RS1； 步骤44：将第一融合特征图B1上采样至2倍并与第一特征恢复图RS1进行通道拼接，随后传入双卷积组合，得到第一阶段的特征预测图f5； 步骤45：随后将第一阶段的特征预测图f5和浅层的第三特征融合模块输出的第三融合特征图B3作为第二反向注意上下文模块的输入，重复步骤43，最后得到预测结果Pre； 步骤5：计算步骤45的预测结果Pre和标签图像的损失，并分别计算第一辅助特征图f1、第二辅助特征图f2、第三辅助特征图f3、第四辅助特征图f4与标签图像的损失，以及所述特征预测图f5与标签图像的损失，将损失值进行反向传播，调整网络的参数； 步骤6：步骤4和步骤5依次经过10次训练后，将测试集传入训练完成的所述分割网络进行测试，判断所述分割网络当前测试的相似度Dice指标是否最高，若是，则保存当前模型参数，否则跳转至步骤4进行下一轮训练； 步骤7：取出测试过程中表现最好的网络，然后将测试集依次送入该网络，计算平均交并比mIoU和平均相似度mDice指标，并保存最终的预测分割图Pre。

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成都信息工程大学;南充生物医药产业技术研究院，其通讯地址为：610200 四川省成都市西南航空港经济开发区学府路1段24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。