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！

龙图腾网获悉大连理工大学申请的专利一种联合语义分割的医学图像配准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：CN117011348B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202310839083.2，技术领域涉及：G06T7/33；该发明授权一种联合语义分割的医学图像配准方法是由张立和;谭佐蓬设计研发完成，并于2023-07-10向国家知识产权局提交的专利申请。

本一种联合语义分割的医学图像配准方法在说明书摘要公布了：本发明属于深度学习技术在计算机视觉领域，提供了一种联合语义分割的医学图像配准方法。本发明首先构建了共享特征提取网络，提取到的特征会同时用于配准变形场和分割图的预测。在解码阶段，利用双向变形场作为桥梁，将移动图像和固定图像的特征扭曲到彼此的分割分支上，从而渐进地在多个层次上补充额外的上下文信息来实现分割。通过建立这种纠缠对应关系，分割损失可以间接地正则化配准，使其准确地投影分割的语义布局，以提升最终的配准性能。此外，设计了针对配准的位置相关计算，以更容易地从共享特征中捕获图像的空间相关性。

本发明授权一种联合语义分割的医学图像配准方法在权利要求书中公布了：1.一种联合语义分割的医学图像配准方法，其特征在于，整体网络框架由共享特征提取网络、耦合解码器和分割解码器三部分组成；其中，共享特征提取网络负责提取移动图像和固定图像的特征，提取到的特征会被输入到耦合解码器和分割解码器中；耦合解码器负责预测变形场增量和耦合特征，其中变形场增量会逐级相加得到最终用于配准的变形场，耦合特征会被输入到分割解码器中；分割解码器负责预测移动图像和固定图像的分割结果图；具体步骤如下： 步骤1构建共享特征提取网络特征提取网络采用两个参数共享的3D残差网络作为骨干，分别提取移动图像和固定图像的特征；网络的不同层会输出图像的不同尺度特征，其中第一层的特征由普通的3D卷积提取，其余层的特征分别由若干残差模块提取，最终获得4组移动图像特征图和4组固定图像的特征图步骤2构建耦合解码器耦合解码器由若干耦合解码模块组成，其中耦合解码模块有两个作用，首先是为分割解码器提供耦合特征，然后是负责变形场的预测；耦合解码模块与特征提取网络提取到的特征是一一对应的，且每一级耦合解码模块顺次相连；除了负责处理第4级特征和的第4级耦合解码模块之外，其余的耦合解码模块中有四个输入：和其中，和分别代表正、负变形场，它们是上一级耦合解码模块输出的正、负双向变形场经过三线性插值上采样得到的；和分别表示特征提取网络提取到的第i级移动图像和第i级固定图像的特征； 将步骤1获得的特征和输入到第四级耦合解码模块中，输出和将和上采样，然后和步骤1获得的特征一起输入到第三级耦合解码模块中，输出另一组和依次类推，直至输送至第一级耦合解码模块；除了第四级耦合解码模块之外，其余每级的耦合解码模块中，均利用上一级耦合解码模块输出的正负变形场去warp移动图像特征和固定图像特征将warp之后的特征输入到分割解码器的对应级作为耦合特征；具体地，使用来对进行warp操作，并将warp之后的特征作为互补信息输入到固定图像的分割解码器的对应级中；同样的，使用对进行warp操作，然后将得到的特征输入到移动图像的分割解码器的对应级中； 步骤3特征相关性计算为了测量每个体素与其相邻体素之间的相似性，对warp之后的特征和固定图像特征逐点进行相关计算，以获得正相关性矩阵；根据正相关性矩阵，判断在当前层级上移动图像和固定图像之间的位移增量；在计算相关性矩阵的时候将位置信息嵌入到特征当中，设E为位置编码，r为位移半径，特征相关性计算公式为： 其中E代表被初始化为0的可学习的特征图，x、y、z分别表示特征图在三个方向上的坐标索引；将特征图以半径r沿着x、y、z三个方向上逐点移动，每移动一次都会生成一维相关图，最终生成维数为2r+13的相关性矩阵； 由于需要生成双向变形场，和之间也要进行相关性计算，获得逆相关性矩阵；计算方法与正相关性矩阵相同，只需将F1替换成替换成步骤4变形场预测在得到了正相关性矩阵和逆相关性矩阵之后，利用两个参数共享的场估计器来估计当前级的正负变形场增量，这两个场估计器均由三个残差模块组成的；具体来说，每个场估计器会分别提取它们对应相关性矩阵中的特征，并输出一个三通道的特征图，三个通道的值分别代表每一个体素在三维空间坐标系的x，y和z方向上的位移增量；得到的两个变形场增量与上一级耦合解码模块输出的正负变形场相加，得到两个新的变形场输入到下一级耦合解码模块中，以此来由粗到细地生成变形场； 步骤5构建分割解码器分割解码器的每一级包含三部分的输入，分别为上一级分割解码器的输出特征、特征提取网络提取的特征和步骤2得到的耦合特征；将这三部分拼接后进行两次卷积操作，然后将得到的特征进行三线性上采样输入到下一级分割解码器中；其中，固定图像和移动图像的分割解码器中的权重是共享的；分割任务的类别设为N，即语义类别的总数为N，因此，最后一级的分割解码器会输出一个N通道数的特征图，将其沿着通道方向进行softmax操作，得到每一个类别在图像所有位置的概率值，每一个点均取概率值最大的类别作为该点的分割结果；利用分割结果构建联合损失函数，以此为配准提供额外的监督信息；步骤6构建损失函数损失函数由配准损失，分割损失和联合损失三部分组成； 配准损失Lreg由相似性和变形场平滑两项组成，旨在对移动图像和固定图像进行对齐，并保证变形场的平滑性；使用局部归一化互相关作为相似度函数，使用变形场梯度的L2正则作为平滑项，具体的计算公式为： 其中，LNCC代表局部归一化互相关，ω代表局部归一化互相关的窗口大小，F和分别代表固定图像和warp之后的移动图像，代表变形场梯度，λ1为平衡这两项的超参数； 分割的损失函数Lseg为加权交叉熵和Dice组成的混合函数，加权交叉熵LwceS,S*的计算公式为： 其中，N表示语义类别的总数，n表示对应类别的通道，P表示每个通道中的体素数，wn表示所有体素与第n类中的体素的比例，S是分割结果，S*代表分割标签；Dice损失函数LdiceS,S*的表达式为： 对于LwceS,S*和LdiceS,S*，具有相同的权重，即Lseg＝LwceS,S*+LdiceS,S*； 联合损失Ljoint使用Dice损失，联合损失函数的输入为固定图像的分割结果SF和warp之后的移动图像分割结果步骤7网络训练基于Pytorch框架实现，采用Adam算法进行优化，训练批大小为1，初始学习率设为0.0001，迭代训练100epoch；前m个epoch使用配准和分割损失函数进行训练，其余所有ephoch使用分割、配准和联合损失函数进行训练；数据集采用公开的OASIS数据集，从数据集中随机选择x张带有标注的图像作为固定图像，其余的所有图像作为移动图像；移动图像被随机划分为训练集、验证集和测试集，分别用于整个网络的训练、验证和测试； 训练完成后，将移动图像和固定图像输入到网络当中，输出变形场，通过变形场得到warp之后的图像。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。