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！

龙图腾网获悉华东师范大学申请的专利一种基于全局局部级联的磁共振影像宫颈癌肿瘤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：CN115775252B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202211135688.5，技术领域涉及：G06T7/10；该发明授权一种基于全局局部级联的磁共振影像宫颈癌肿瘤分割方法是由方发明;金智伟;张桂戌设计研发完成，并于2022-09-19向国家知识产权局提交的专利申请。

本一种基于全局局部级联的磁共振影像宫颈癌肿瘤分割方法在说明书摘要公布了：本发明公开了一种基于全局局部级联的磁共振影像宫颈癌肿瘤分割方法，属于医学图像处理和计算机视觉领域，该方法的特点是对于全局特征和局部特征的融合，解决小病灶分割问题，具体包括：训练数据集预处理；建立全局局部级联的磁共振影像宫颈癌肿瘤分割网络模型；模型推理，得到病灶分割结果等步骤。本发明与现有其他方法相比，同时考虑并且融合了图像的全局特征与局部特征，有效解决了在计算资源有限的情况下完成磁共振影像上微小的宫颈癌肿瘤精准分割问题。

本发明授权一种基于全局局部级联的磁共振影像宫颈癌肿瘤分割方法在权利要求书中公布了：1.一种基于全局局部级联的磁共振影像宫颈癌肿瘤分割方法，其特征在于，该方法包括以下具体步骤： 步骤1：对数据集进行预处理； 在CeTS磁共振影像数据集上实现，从3D的磁共振图像中提取切片，划分出训练集与测试集，通过随机的水平翻转、垂直翻转和缩放，对图像进行数据增强，并对数据进行归一化； 步骤2：构建基于全局局部级联的神经网络模型； 基于PyTorch深度学习框架，构建基于全局局部级联的神经网络模型，所述模型整体基于编码器-解码器架构，在编码器和解码器的路径中级联插入了以下模块： a全局特征融合模块：输入H×W×3的样本，H、W表示图像的高度和宽度，顺序经过三个3×3的卷积子块，每个卷积子块包含一个卷积层、一个压缩-激励块和一个ReLU激活函数；然后根据压缩-激励块产生的注意力值来调整特征图在通道维度上的重要性，使多尺度特征图聚合更多的全局信息；然后从三个卷积块中提取输出，并将它们融合在一起，从中提取空间特征不同的尺度；最后在各块间通过引入1×1的卷积层来增加跳跃连接；该模块输出尺寸为H×W×C1的特征图，C1表示中间通道数； b特征分解重组模块：输入是全局特征融合模块的输出Fs0，然后使用1×1的卷积从全局特征图中选择需要局部处理的特征图Fs，再使用特征分解方法，将Fs分解为四个相同尺寸的子块，每个子块都使用一个卷积进行处理，得到F1、F2、F3、F4；然后使用特征重组方法，先拼接左右相邻的两个块，得到两个特征图F12和F34，它们都是原始输入的一半，并使用另一个卷积层作用于F12和F34，以在更大像素域里提取更多特征；对于上下相邻的两个块，也执行与左右相邻的块相同的操作，即得到特征图F13和F24；随后拼接F12和F34得到F1234，拼接F13和F24得到F1324，并对F1234、F1324执行卷积；最后将F1234、F1324与原始输入的特征图在通道上连接起来，并使用1×1的卷积将它们融合； 特征分解方法的公式表示为： F1＝ConvFs[0:C,0:H2+B,0:W2+B], F2＝ConvFs[0:C,0:H2+B,W2-B:W], F3＝ConvFs[0:C,H2-B:H,0:W2+B], F4＝ConvFs[0:C,H2-B:H,W2-B:W], 其中F的下标1,2,3,4分别表示划分后左上、右上、左下、右下位置的特征图，Fs表示全局特征融合模块的输出Fs0进行1×1卷积后的结果，Conv表示卷积运算，C、H和W分别表示特征图的通道数、高度和宽度，B表示两个相邻子块的重叠部分长度； 特征重组方法的公式表示为： F12＝ConvF1sF2, F34＝ConvF3sF4, F13＝ConvF1sF3, F24＝ConvF2sF4, 其中s是拼接算子，表示在空间平面内对相邻的两个特征图进行拼接； 融合的公式表示为： F1234＝ConvF12sF34, F1324＝ConvF13sF24, Fout＝ConvF1234cF1324cFin, 其中c表示通道连接操作符； c通道空间注意力门控模块：首先利用解码器特征的不同通道间关系生成通道注意力图g∈RC×1×1；然后对g进行广播操作，扩展至g∈RC×H×W，并将其与解码器特征x相对应的编码器特征x∈RC×H×W进行逐像素相乘，得到x∈RC×H×W；之后利用x空间上的关系生成空间注意图s∈R1×H×W；最后将空间注意图s与编码器特征x进行逐像素相乘，得到经过空间域和通道方向同时施加注意力的特征图xout∈RC×H×W 步骤3：训练网络模型； 将经过预处理的训练集输入所述的神经网络模型进行训练，使用Dice损失和交叉熵损失融合的损失函数进行约束，损失函数表示为： 其中λ表示两种损失函数之间的平衡因子，将其设置为0.5，N表示像素的总数量，C表示预测结果矩阵包含的通道数，p表示像素值标记为正样本，表示像素值预测为正样本的概率，表示将每个通道的真实标签与对应预测结果的矩阵进行点积运算，表示欧几里得范数运算的平方；训练过程中还划分出验证集，并保存在验证集上性能表现最好的神经网络模型权重； 步骤4：宫颈癌病灶的分割； 在测试集上，利用步骤3保存的最佳神经网络模型，输出病灶分割的可视化结果。

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华东师范大学，其通讯地址为：200241 上海市闵行区东川路500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。