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！

龙图腾网获悉重庆理工大学申请的专利一种用于半监督医学图像分割的边界增强模型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：CN121095274B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202511201438.0，技术领域涉及：G06T7/12；该发明授权一种用于半监督医学图像分割的边界增强模型是由张红伟;杨开钧;闫小锋;房华卫;许珂珂;汪国龙设计研发完成，并于2025-08-26向国家知识产权局提交的专利申请。

本一种用于半监督医学图像分割的边界增强模型在说明书摘要公布了：本发明公开了一种用于半监督医学图像分割的边界增强模型，涉及医学图像分割技术领域。本发明提出了SBEM‑UNet模型，显著提升半监督医学图像分割的边界精度与细节恢复效果，为复杂场景提供高效解决方案；且设计了一个语义边界增强模块SBEM，该模块通过结构建模和多尺度特征融合显著提高了边界敏感性和语义表达能力，为医学图像分割提供了高质量的特征；且引入了一种轮廓增强解码器，该解码器结合了动态轮廓注意力机制和多尺度特征融合技术，能够精准聚焦于边界区域并恢复精细细节，从而增强分割效果并提高在复杂场景中的预测准确性。

本发明授权一种用于半监督医学图像分割的边界增强模型在权利要求书中公布了：1.一种用于半监督医学图像分割的边界增强系统，所述边界增强模型为SBEM-UNet模型，其特征在于：包括轮廓增强解码器、语义边界增强模块和损失函数； 所述语义边界增强模块即SBEM模块，旨在从编码器最深层特征中提取并增强与边界相关的信息，以显著提升半监督医学图像分割的边界精度； 通过集成轮廓增强模块，显著提高了目标边界的预测精度，所述轮廓增强解码器接收编码器提取的特征，通过跳跃连接融合多尺度特征，并逐步上采样以生成最终预测结果； 所述损失函数采用了监督式和半监督式相结合的损失函数； 所述SBEM模块分为两条并行的数据流：结构建模流和多尺度上下文流，分别负责局部边界细节提取与全局语义信息建模，所述结构建模流即图的顶部，所述多尺度上下文流即图的底部； 所述SBEM模块的运行流程至少包括以下步骤： 结构建模流负责提取边界和上下文特征，为边界增强提供基础信息； 数据流从输入开始，然后通过边缘卷积块提取局部边界细节，其计算过程表述为： 1 其中，3×3的标准卷积应用于输入特征图E5，随后进行批量归一化即BN和ReLU激活，最终得到输出特征，侧重于局部梯度变化，并强调边缘细节，因此特别适用于医学图像中低对比度边界的检测； 同时，上下文卷积块从相同的输入x中提取全局语义信息，并计算如下： 2 其中，上下文卷积块会对应用一个的膨胀卷积，然后经过BN和ReLU处理，最终输出，通过扩大感受野，能够捕捉到全局语义信息，并增强对上下文的理解； 两个分支特征和将沿着通道维度进行拼接，计算结果为： 3 在此，此步骤将局部边界信息与全局语义信息相结合，为后续的融合提供了多样化的特征表示，并增强了模型对边界区域的理解； 融合块通过卷积对特征进行整合和拼接，计算结果为： 4 其中，1x1卷积会将用于生成目标维度的的通道数量调整至该目标值，并同时提取关键特征；然后，批量归一化BN会对特征的分布进行标准化，以增强线性度，从而生成更精细的特征； 接下来，会进行多尺度特征提取，其公式如下： 5 然后，利用具有不同尺寸卷积核的扩张空间金字塔池化技术，对的感受野特征进行提取： 6 7 8 其中，表示一种具有扩张率的空洞卷积，它能够捕捉不同尺度下的上下文信息； 此外，通过在扩张空间金字塔池化中进行池化操作，能够提取全局上下文信息： 9 最后，通过在通道维度上进行拼接，并整合不同尺度的上下文信息，得到了最终的多尺度特征表示，、、、和，公式为： 10 经过SEBlock处理后，得到了一种增强的特征表示，其公式如下： 11 然后，该特征分别由通道注意力模块和空间注意力模块进行加权处理； 通道注意力模块会自适应地调整通道权重，而空间注意力模块则会突出重要的空间区域，从而生成加权特征和，为融合提供了更具判别性的表示，其公式如下： 12 其中，通道注意力首先对输入特征图进行全局平均池化，以获取每个通道的全局描述，然后，使用两层卷积以及ReLU激活函数，学习通道之间的非线性关系，最后，使用Sigmoid函数生成通道注意力权重，并通过逐元素乘法应用到原始特征上，实现每个通道权重的加权重要性； 13 这里，MaxPool和AvgPool分别是最大池化和平均池化，用于提取空间特征，它们的输出结果通过拼接后经过卷积层处理，随后应用Sigmoid函数生成注意力图，该注意力图随后通过逐元素乘与相乘，得到输出，从而突出关键特征； 最后，通道注意力和空间注意力通过融合注意力组合，得到加权特征表示： 14 其中，通过通道注意力加权的特征和通过空间注意力加权的特征通过逐元素乘法进行融合，从而同时强调通道和空间域中的重要信息，并获得最终的加权特征表示。

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重庆理工大学，其通讯地址为：400054 重庆市巴南区红光大道69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。