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！

龙图腾网获悉福州大学申请的专利一种基于特征聚焦的Transformer 3D医学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：CN118941572B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202410976438.7，技术领域涉及：G06T7/10；该发明授权一种基于特征聚焦的Transformer 3D医学图像分割方法是由柯逍;陈观鸿设计研发完成，并于2024-07-20向国家知识产权局提交的专利申请。

本一种基于特征聚焦的Transformer 3D医学图像分割方法在说明书摘要公布了：本发明提出一种基于特征聚焦的Transformer3D医学图像分割方法，对于输入的待检测图像，首先使用V‑Net进行一阶段的粗分割，再使用改进后的基于聚焦和稀疏矩阵的Transformer二阶段编码器进行特征编码。该方法旨在利用较少的运算量进行3D数据空间内全局信息交互，对于3D的数据量大的问题，使用聚焦映射，突出重点部分，同时使用稀疏矩阵，减少计算量，使用动态表征位置编码进行补充损失的位置信息，使用空间特征融合连接模块，对编码器与解码器之间的空间信息进行提取和链接。该方法能够在较少的计算量下，保留位置信息和空间信息，提高对空间上下文建模的能力。

本发明授权一种基于特征聚焦的Transformer 3D医学图像分割方法在权利要求书中公布了：1.一种基于特征聚焦的Transformer3D医学图像分割方法，其特征在于，包括以下步骤： 步骤S1：通过对3D医学图像数据集进行训练，并对数据采用数据增强方法，将数据送入V-Net骨干网络中进行一阶段初步训练，特征提取； 步骤S2：采用已训练的特征提取网络作为一阶段特征提取模块，再提出基于聚焦映射和稀疏矩阵的Transformer，作为二阶段提取网络的基础模块，通过聚焦映射，激发内在分布变化，同时通过使用稀疏矩阵来减少计算量和存储空间需求，使得模型在处理大尺寸数据时捕获关键信息； 步骤S3：提出空间特征融合链接模块SFFC，通过对空间位置信息的保留和提取，融合编码器和解码器中的特征信息； 步骤S4：针对静态位置编码和常规动态编码的局限性，提出动态表征位置编码模块DPRE，通过在不同尺度上提取局部性特征，融合全局信息增加上下文理解，根据内容实现动态位置编码，最后实现对3D医学图像的分割； 步骤S3具体包括以下步骤： 步骤S31：对跳跃连接模块进行改进； 首先，从编码器中获取低级特征A，采用最大池化和平均池化的策略；通过这两种池化操作，得到两个具有不同特点的特征权重矩阵，分别代表A的突出特征和全局特征；将这两个池化矩阵相加，使特征A的突出特征和全局特征融合，能够更好地捕捉特征之间的相关性和重要性，通过sigmoid激活函数进行处理，将加权后的特征限制在0到1之间；接着，将加权后得到的权重矩阵与原始特征矩阵A相乘，从而得到新的特征矩阵A'；这一步骤的目的是通过加权相乘操作，让A'更加关注编码器中重要的空间位置信息，以及突出和全局的特征，具体计算如公式所示： A′＝MLPMaxA+MLPMeanA×A 其中MLP为多层感知机，Max为3D最大池化层，Mean为3D平均池化层； 步骤S32：将来自解码器的高级特征B进行上采样操作，以使其与特征矩阵A'具有相同的尺寸；在上采样之后，采用可分离卷积操作，以进一步提取B的特征表示，并保持空间位置信息的一致性；经过可分离卷积处理后，得到一个放大两倍并带有空间位置信息的解码器特征B'，具体计算过程如下： B′＝DWCUpsampleB 步骤S33：最后，我们把来自编码器特征矩阵A'和解码器特征矩阵B'进行拼接，得到一个综合的特征表示，其中包含来自编码器和解码器的重要特征以及空间位置信息；完整计算过程如公式所示： MLP为多层感知机，一种神经网络的基本结构；Upsample是对该特征进行上采样； 步骤S34：最通过一系列细致的操作，包括池化、加权相乘、上采样、可分离卷积和特征拼接，有效地融合了编码器和解码器中的特征信息，并保留了空间位置信息； 步骤S4具体包括以下步骤： 步骤S41：动态表征位置编码模块DPRE，通过可分离卷积从不同尺度上提取局部性特征，而后对全局进行注意力操作，获取全局信息增加上下文理解，从而根据内容实现动态位置编码； 步骤S42：首先将输入特征放入两个不同核尺寸的3D可分离卷积层进行特征提取；通过在不同尺度下对局部特征进行提取，获得两个具有不同尺寸的特征F3和F5，具体的F3和F5的计算过程如公式: Fi＝DWCi×iFinput 其中DWC代表深度可分离卷积，Fi表示为经过深度可分离卷积后的特征，其中i的取值为3和5，Finput表示为输入特征； 步骤S43：接下来，利用自注意力机制对patch特征之间进行建立链接，以捕获输入序列中不同尺寸中位置之间的依赖关系； 步骤S44：采用一个全连接层进一步调整动态位置编码；通过学习位置编码的权重和偏置参数，将位置信息与图像特征进行有效融合，最终获得带有动态表态位置编码的特征Fout，具体计算过程如公式所示： Fpos＝LNF5×SoftmaxReshapeLNF3×LNF5 Fout＝Finput+ReshapeFpos Fpos为学完位置特征后的特征；LN为线性层，F5为经过尺寸为5的可分离卷积后的特征，F3为经过尺寸为3的可分离卷积后的特征，Softmax是归一化函数，Reshape是变换形状，方便前后特征能够按正确的秩来乘； 步骤S45：将训练好的医学图像分割模型在验证集上进行测试，得到最终的检测准确率。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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。