Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 武汉大学余伟获国家专利权

武汉大学余伟获国家专利权

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!

龙图腾网获悉武汉大学申请的专利基于多尺度混合采样和特征融合的鼻咽癌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:CN118918119B

龙图腾网通过国家知识产权局官网在2025-10-17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:202411008988.6,技术领域涉及:G06T7/10;该发明授权基于多尺度混合采样和特征融合的鼻咽癌靶区分割方法是由余伟;匡瑞林;董性平;陈诚;王皓;李石君;李宇轩;刘宇轩;刘梓轩;曾宪泽;李晓薇;郝若晨设计研发完成,并于2024-07-26向国家知识产权局提交的专利申请。

基于多尺度混合采样和特征融合的鼻咽癌靶区分割方法在说明书摘要公布了:本发明提供一种基于多尺度混合采样和特征融合的鼻咽癌靶区分割方法,包括:获取鼻咽癌三维靶区图像并对鼻咽癌三维靶区图像进行预处理;构建Swin‑UNet骨干网络模型;基于HSMA,构建HSMAUNet网络模型;构建DAC,嵌入到HSMAUNet网络模型中,构建HSMADACUNet分割模型;用预处理后的鼻咽癌三维靶区图像对HSMADACUNet模型进行训练,经过预处理的鼻咽癌靶区图像输入HSMADACUNet分割模型,得到分割结果图像。本发明可以自动对鼻咽癌靶区图像进行模型训练,并对新输入的鼻咽癌部位三维CT图像进行靶区分割,提高了鼻咽癌靶区图像分割的效率。

本发明授权基于多尺度混合采样和特征融合的鼻咽癌靶区分割方法在权利要求书中公布了:1.一种基于多尺度混合采样和特征融合的鼻咽癌靶区分割方法,其特征在于,包括: 采集鼻咽癌三维靶区图像样本,对所述鼻咽癌三维靶区图像样本进行预处理,得到预处理图像样本; 构建Swin-UNet骨干网络模型; 构建基于并行混合采样和多尺度空间通道注意力HSMA模块,将HSMA模块添加到所述Swin-UNet骨干网络模型中,得到HSMAUNet网络模型; 构建基于密集融合和切面交叉自注意力模块DAC,将DAC嵌入至HSMAUNet网络模型,得到HSMADACUNet分割模型; 采用所述预处理图像样本训练所述HSMADACUNet分割模型,得到鼻咽癌靶区分割模型; 将待处理鼻咽癌三维靶区图像输入所述鼻咽癌靶区分割模型,输出鼻咽癌靶区分割结果图像; 构建HSMA模块,将HSMA模块添加到所述Swin-UNet骨干网络模型中,得到HSMAUNet网络模型,包括: 构建并行混合采样模块,分别使用SwinTransformer和卷积操作并行采样构成编解码,将所述SwinTransformer和所述卷积操作并行采样的采样结果以通道维度进行拼接和降维,形成混合特征; 构建多尺度空间通道注意力模块,利用分别为1、3、5大小的卷积核提取不同尺度特征,形成混合特征后再进行空间或通道维度的压缩激励,重新分配不同尺度特征权重,进行混合输出; 构建HSMA编解码模块,输入特征经过两条并行分支,第一分支采用若干个SwinTransformer进行采样,与一个具有1、3、5三种尺度的通道注意力计算相连接,第二分支采用卷积操作、规范化、激活函数、Dropout的操作进行采样,与一个具有1、3、5三种尺度的通道注意力计算相连接,将两条分支的采样结果进行通道维度的拼接,与一个1×1×1的卷积相连接使维度减半,形成最后输出; 构建HSMAUNet网络,将HSMA模块添加到Swin-UNet基础网络中,替换Swin-UNet网络,模型结构上采样部分包括:第一层为Patch分区,第二层为线性嵌入和HSMA采样,第三层为Patch合并和HSMA采样,第四层为Patch合并和HSMA采样,第五层为Patch合并;上采样部分使用跳跃连接后拼接卷积的方式,并按照下采样对应的维度变化策略进行,在最上一层特征图上进行1×1×1卷积,输出分割结果图; 构建DAC,将DAC嵌入至HSMAUNet网络模型,得到HSMADACUNet分割模型,包括: 对特征进行同层级的密集连接和不同层级的跨级融合,实现特征充分密集融合,对融合后特征进行切面拆分,计算任意两个维度内的交叉自注意力,促进特征联合计算,抑制无关噪声表达,采用串联连接减少拆分导致的信息隔离,DAC的注意力整体计算流程为: 其中,输入,代表了下采样的四层输出,代表密集融合模块,代表了DAC模块的输出,代表切面交叉自注意力模块,一共会产生3个,参与上采样的分辨率恢复; 将DAC嵌入至HSMAUNet网络模型的跳跃连接模块中,构建注重特征表达和提取,以及注重特征联合计算的结构。

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武汉大学,其通讯地址为:430072 湖北省武汉市武昌区八一路299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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。