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！

龙图腾网获悉电子科技大学申请的专利基于深度学习的磁控胶囊内镜图像胃部解剖结构辨识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：CN116468682B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202310352422.4，技术领域涉及：G06T7/00；该发明授权基于深度学习的磁控胶囊内镜图像胃部解剖结构辨识方法是由饶妮妮;雍佳豪设计研发完成，并于2023-04-04向国家知识产权局提交的专利申请。

本基于深度学习的磁控胶囊内镜图像胃部解剖结构辨识方法在说明书摘要公布了：本发明公开了基于深度学习的磁控胶囊内镜图像胃部解剖结构辨识方法，筛选磁控胶囊内镜检测输出的图片，按解剖位置分类后，扩增数据集，划分为训练集和测试集；构建、训练和测试多尺度融合金字塔视觉Transformer网络、添加注意力模块的目标检测网络，测试通过后，利用多尺度融合金字塔视觉Transformer网络对胃部磁控胶囊内镜图像提取图像全局特征，对磁控胶囊内镜图像进行分类；利用添加注意力模块的目标检测网络对分类后的图片进行定位，识别胃部解剖结构。本发明解决现有技术中磁控胶囊内镜检查图片分辨率低，不易辨识的问题，能够准确识别胃部解剖部位，进一步达到磁控胶囊内镜在胃部定位的目的。

本发明授权基于深度学习的磁控胶囊内镜图像胃部解剖结构辨识方法在权利要求书中公布了：1.一种基于深度学习的磁控胶囊内镜图像胃部解剖结构辨识方法，其特征在于，包括： 步骤S100、筛选磁控胶囊内镜检测输出的图片，将图片按解剖位置分类后作为胶囊内镜图像数据集，采用仿射变换技术扩增胶囊内镜图像数据集，将数据集中每个类别的图片均按照预设比例划分为训练集和测试集； 步骤S200、分别构建多尺度融合金字塔视觉Transformer网络、添加注意力模块的目标检测网络，分别利用训练集对多尺度融合金字塔视觉Transformer网络、添加注意力模块的目标检测网络进行训练，分别利用测试集对训练后的多尺度融合金字塔视觉Transformer网络、添加注意力模块的目标检测网络进行测试； 步骤S300、测试通过后，利用多尺度融合金字塔视觉Transformer网络对胃部磁控胶囊内镜图像提取图像全局特征，对磁控胶囊内镜图像进行分类；利用添加注意力模块的目标检测网络对分类后的图片进行定位，识别胃部解剖结构； 所述多尺度融合金字塔视觉Transformer网络的构建方法为： 采用第二代PVT作为基准模型，再利用平均池化及1×1卷积将上一层金字塔中的特征信息加到下一层金字塔中，将浅层的特征信息添加到深层特征中，强化全局特征提取能力； 所述多尺度融合金字塔视觉Transformer网络由第一输入层、编码层、解码层、线性层和第一反馈网络组成，其中： 第一输入层：作为磁控胶囊内镜图像的RGB三通道，通过数据增强算法将图像扩充，便于模型训练； 编码层：用于通过重复堆叠八次Transformer的多头自注意力模块以及前馈神经网络对输入层的输入图像进行编码； 解码层：用于通过重复堆叠八次Transformer的掩码多头自注意力模块以及多头自注意力模块解码编码层输出，获取到图像提取的特征向量； 编码层和解码层分别按照3、4、6、3的次数堆叠，获得金字塔的四层特征层，各个特征层之间利用卷积操作降采样，并利用卷积和池化操作，将上一层特征层直接和下一层特征层编码层处的输入相加； 线性层：在完成四次特征金字塔操作后，通过输入类别为3的线性层将特征层进行归一化概率预测，获得每张图像对应的各个类别的概率，并通过交叉熵损失函数计算整个神经网络的分类损失； 第一反馈网络：使用交叉熵损失函数计算损失误差，接着通过损失误差计算在反馈过程中各层参数的梯度，并对各个层的参数进行调整； 所述添加注意力模块的目标检测网络通过在YOLOv5深度学习网络骨干中添加通道注意力模块得到，以增强其特征提取能力，达到胃角和幽门检测与定位的目的，将胃下部图像中标注了胃角或幽门的图像输入目标检测网络中进行训练及验证，通过网络的前向传播和反向传播过程更新参数权重信息以获得最优定位结果； 所述添加注意力模块的目标检测网络由第二输入层、卷积层、瓶颈层和第二反馈网络组成，其中： 第二输入层：用于将图像本身及标注锚框中心点坐标以及长宽的txt文件，并将图像和对应的txt文件依次送入下一层；或用于将图像本身输入下一层； 卷积层：用于进行两次包含归一化及激活函数的卷积之后，使用包含残差结构的卷积堆叠而成，用以防止梯度消失的问题，在两次包含残差结构的卷积层后，使用包含了横轴与纵轴信息的通道注意力模块强化之前提取的特征，重复使用三次上述操作，最后使用快速的空间金字塔池化操作来强化多尺度特征融合，接着使用一次通道注意力模块来再次强化特征提取； 瓶颈层：用于将卷积层最后的输出作为输入进行一次上采样操作，再将倒数第二次通道注意力的输出拼接到上述输出中，经过一次包含残差结构的卷积层后，输入到下一层的上采样过程中； 在上采样过程结束后，将倒数第三次通道注意力模块后的输出拼接进上采样过程后的输出，通过一次包含残差结构的卷积层后即可获得第一个检测头，以获取大目标的检测； 再将上述的上采样过程通过卷积下采样，拼接上一层上采样的输入，通过一个包含残差结构的卷积层后，获得中等目标的检测头； 然后拼接主干网络的输出，获得小目标的检测头； 第二反馈网络：包含三种损失函数，包括预测类别、类别置信度以及基于完整交并比CIoU的预测框位置损失函数。

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电子科技大学，其通讯地址为：610054 四川省成都市高新区(西区)西源大道2006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。