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！

龙图腾网获悉哈尔滨工业大学;哈工大苏州研究院申请的专利基于深度学习的多模态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：CN120374633B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202510255111.5，技术领域涉及：G06T7/10；该发明授权基于深度学习的多模态医学图像分割方法是由孙明健;沈毅;冯乃章;张博恒;许志;张喆;马立勇;章欣;黄昊睿;汤博文设计研发完成，并于2025-03-05向国家知识产权局提交的专利申请。

本基于深度学习的多模态医学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深度学习的多模态医学图像分割方法，所述方法包括如下步骤：一、获取多模态医学图像并将尺寸标准化；二、将模态1～3输入到分割网络的通道2的FCSA融合模块中获取融合后的特征图；三、将主导模态4输入到分割网络的通道1中；四、分割网络的通道1和通道2都经过五层改进后的Tok‑KAN模块和下采样来提取不同尺度的特征信息；五、在解码过程中，每层输出的不同尺度的编码特征图通过密集跳跃连接的解码器实现特征的恢复和解码；六、通过上采样和Sigmoid激活，从解码器最后一个特征提取器的输出中生成分割预测。本发明解决了多模态医学图像分割算法分割准确性低和模型可解释性差的问题。

本发明授权基于深度学习的多模态医学图像分割方法在权利要求书中公布了：1.一种基于深度学习的多模态医学图像分割方法，其特征在于所述方法包括如下步骤： 步骤一、获取多模态医学图像并将尺寸标准化； 步骤二、将模态1~3输入到分割网络的通道2的FCSA融合模块中获取融合后的特征图，具体步骤如下： 步骤二一、将模态1、模态2和模态3输入到分割网络的通道2，经过卷积模块生成的特征图为，其中H和W是空间尺寸，C是通道数，将三种模态的特征图延通道方向拼接，得到多模态特征表示： 其中，表示拼接操作； 步骤二二、将多模态特征表示顺次经过FCSA融合模块进行加权融合，利用多维注意力机制引导的融合方式从频率‑通道维度和空间维度高效的提取并融合不同模态的特征，将经过频率‑通道加权后的特征和经过空间加权的特征相加并通过线性操作将融合特征的通道数变为和输入模态维度相同，得到最终经过FCSA融合模块处理后的特征图： 其中，为线性操作，用于将通道数降维； 所述FCSA融合模块包括频率‑通道注意力和空间注意力，二者通过串联相连接； 步骤三、将主导模态4输入到分割网络的通道1中； 步骤四、分割网络的通道1和通道2都经过五层改进后的Tok‑KAN模块和下采样来提取不同尺度的特征信息，其中：每个阶段输出的特征图尺寸减半，通道数翻倍；改进后的Tok‑KAN模块是一种基于KAN和注意力的编码器，在编码过程中，通道2中编码器的输出会和对应尺度的通道1中的编码器的输出进行融合，并输入通道1的下一阶段的编码过程中，实现模态1~3的特征信息对主导模态4的补充； 所述改进后的Tok‑KAN将输入数据分割成小块，并生成多个嵌入向量；对每个嵌入向量进行标记化处理，经过标记化后的嵌入向量输入KAN Layer中，通过多个可学习的单变量B样条基函数对每个标记进行非线性变换，实现复杂特征的捕捉和表示；DwConv对每个标记执行独立的通道内卷积操作；为了增强网络对特征的重要性进行建模的能力，同时改善网络的训练难度，在DwConv后增加CSA块，CSA块首先在空间维度上展开并用一个全量连接层将通道数降维，使得注意力更加轻量化，再用另一个全连接层将通道数还原，然后，将通道权重重新排列成与输入特征图相同的维度，得到通道注意力加权后的特征图，通过对特征图连续两次的卷积和激活得到其空间注意力权重，将通道注意力加权后的特征图与空间注意力权重相乘得到CSA块处理后的特征图； 步骤五、在解码过程中，每层输出的不同尺度的编码特征图通过密集跳跃连接的解码器实现特征的恢复和解码； 步骤六、通过上采样和 Sigmoid 激活，从解码器最后一个特征提取器的输出中生成分割预测。

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哈尔滨工业大学;哈工大苏州研究院，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街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”。

以上内容由龙图腾AI智能生成。