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模拟息肉生长的肠道息肉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：CN116778168B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202310815476.X，技术领域涉及：G06V10/26；该发明授权一种模拟息肉生长的肠道息肉图像分割方法是由韦宏斌;张立和;卢湖川设计研发完成，并于2023-07-05向国家知识产权局提交的专利申请。

本一种模拟息肉生长的肠道息肉图像分割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，提供了一种模拟息肉生长的肠道息肉图像分割方法。本发明将完整真值图解耦成高斯真值图和主体真值图，来分别更关注位置信息和主体信息；构建了三个特征提取分支提取特征，并且分别被高斯真值图，主体真值图和完整真值图监督；同时设计了一个动态注意力指导模块来更高效的聚合来自不同分支的特征。本发明实现了更准确的息肉分割模型，能准确分割出各种复杂形状和背景的息肉。

本发明授权一种模拟息肉生长的肠道息肉图像分割方法在权利要求书中公布了：1.一种模拟息肉生长的肠道息肉图像分割方法，其特征在于，采用息肉生长模拟网络进行分割，息肉生长模拟网络采用深度学习网络模型，整体网络主要由基础特征提取网络、特征提取与融合模块和动态注意力指导模块组成；其中基础特征提取网络通过编码器提取多层次的肠道息肉图像特征，特征提取与融合模块的作用是将编码器提取到的原始特征进行进一步的整合加强从而输出预测图，特征提取与融合模块包含高斯分支、主体分支和完整预测分支三个分支；动态注意力指导模块可以更高效的整合三个分支之间的信息；具体步骤如下： 步骤1构建基础特征提取网络 特征提取网络使用编码器提取输入图像的多层次特征信息；特征提取网络采用经过ImageNet预训练过的PVT网络作为编码器，它的输入为3通道RGB图像，输出是多级特征f1，f2，f3和f4，其中f1为低层特征，f2为中层特征，f3和f4为高层特征； 步骤2构建特征提取与融合模块 特征提取与融合模块的高斯分支、主体分支和完整预测分支三个分支融合了不同层次的特征，并分别由高斯真值图、主体真值图和完整真值图进行监督；具体如下： 高斯分支：仅使用高层特征f4和f3，最终得到高斯分支的输出特征fG，融合过程如以下公式所示： ； 其中代表元素乘法，代表上采样，代表拼接操作，代表卷积、批归一化、ReLU激活函数的组合； 主体分支：使用高层特征f4，f3和中间特征f2；首先，聚合三个特征形成一个更丰富的组合特征： ； 之后使用动态注意力指导模块DAG来进一步实现特征融合,得到主体分支的输出特征fB： ； 完整预测分支：使用全部特征f4，f3，f2和f1；首先得到加强特征： ； 然后，使用动态注意力指导模块DAG来进一步实现特征融合，得到最终的预测特征： ； 最后，三个分支的结果分别上采样到和输入图像相同的尺寸并且分别被三个真值图监督； 其中，数据集中包含肠道息肉图像和相应的完整真值图，高斯真值图和主体真值图需要从完整真值图解耦生成，具体规则如下： 高斯真值图的生成：完整真值图I由背景像素Ibg和前景像素Ifg两部分组成；首先根据完整真值图定位出前景图案的中心点，具体做法是用一个矩形框完整且贴合的包围前景图案，矩矩形框的中心点即作为前景图案的中心点pc，其坐标表示为xc，yc；矩形框的短边长度记作R，之后按照公式计算出图中每一个坐标点p的值，并记作，其中p的坐标表示为x，y： ； 最后按照以下公式得到最后的高斯真值图： ； 其中代表完整真值图中的所有坐标点； 主体真值图的生成：首先定义代表p和q两个像素点的欧氏距离，Ifg表示前景像素，Ibg表示背景像素；之后根据公式计算出每一个像素点p的值： ； 对得到的进行归一化处理得到主体真值图； 步骤3构建动态注意力指导模块DAG 使用动态注意力指导模块融合带有指导的特征fa和带有丰富语义信息的特征fb；具体在网络结构中，模块放在不同的位置，其fa和fb可以带入具体不同的特征；在主体分支中，fa为fG，fb为f4，f3和f2；在完整息肉预测分支中，fa为fB，fb为f4，f3，f2和f1；首先，两个特征fa和fb分别通过1*1卷积实现线性映射来生成fa1，fb1和fb2，其中，fa1由fa生成，fb1和fb2由fb生成，fb1和fb2两者性质相同可以互换使用；然后，使用卷积核生成组件KGU处理fa1来生成一个动态卷积核；之后，过滤特征fb1来获得指导特征fab，过程如下列公式所示： ； 其中，KGU代表卷积核生成操作；最后，最终的融合过程，如下公式所示： ； 其中，代表动态注意力指导模块最终的输出特征，代表元素加法操作，代表softmax函数操作； 步骤4构建动态模拟损失函数 总损失函数如下公式所示： ； 其中，Lg，Lb和Lp分别代表高斯分支，主体分支和完整预测分支的损失；Lg和Lb是标准的二值交叉熵损失，Lp是加权交并比损失和加权二值交叉熵损失的组合；如下公式所示： ； Wg，Wb和Wp分别是高斯分支，主体分支和完整预测分支的变化权重，公式如下： ； 其中，n代表共计完整训练周期的次数，x代表当前训练的次数； 步骤5息肉生长模拟网络的训练 将构建的完整网络在息肉分割任务经典数据集Kvasir和ClinicDB上进行训练，使网络对息肉分割任务达到收敛；网络输入RGB图片，输出二值的息肉预测图。

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。