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！

龙图腾网获悉盐城市第三人民医院申请的专利基于拉普拉斯金字塔与动态Transformer的医学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：CN120471940B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202510553007.4，技术领域涉及：G06T7/11；该发明授权基于拉普拉斯金字塔与动态Transformer的医学图像分割方法是由李超凡;刘琼设计研发完成，并于2025-04-29向国家知识产权局提交的专利申请。

本基于拉普拉斯金字塔与动态Transformer的医学图像分割方法在说明书摘要公布了：本发明公开了一种基于拉普拉斯金字塔与动态Transformer的医学图像分割方法，S1.形成预处理后的医学图像；S2.将预处理后的医学图像分解为多个不同尺度的图像子层；S3.生成对应的多尺度特征表示；S4.将多尺度特征表示输入至动态Transformer模块，生成融合后的全局特征表示；S5.对融合后的全局特征表示实施解码处理，生成初步分割图，并对初步分割图应用后处理算法，执行形态学操作、边缘修复及噪声去除，获得具有边界清晰、区域连贯性的医学图像分割结果。本发明生成边界清晰、区域连贯、语义准确的医学图像分割结果，结构提升了模型在临床应用中的实用性，在处理肿瘤边界模糊、组织密集交叠的图像中，具备显著优。

本发明授权基于拉普拉斯金字塔与动态Transformer的医学图像分割方法在权利要求书中公布了：1.一种基于拉普拉斯金字塔与动态Transformer的医学图像分割方法，其特征在于，包括如下步骤： S1.采集输入的医学图像，对医学图像实施预处理，形成预处理后的医学图像； S2.利用拉普拉斯金字塔对预处理后的医学图像进行多尺度分解，将预处理后的医学图像分解为多个不同尺度的图像子层； S3.对各尺度的图像子层分别进行特征提取，采用卷积神经网络对每个尺度图像子层进行局部特征编码，生成对应的多尺度特征表示； S4.将多尺度特征表示输入至动态Transformer模块，通过自注意力机制对各尺度特征进行动态加权融合，生成融合后的全局特征表示； S5.对融合后的全局特征表示实施解码处理，采用上采样、反卷积以及跳跃连接技术将融合后的全局特征表示映射恢复至与原始医学图像相同的空间分辨率，生成初步分割图，并对初步分割图应用后处理算法，执行形态学操作、边缘修复及噪声去除，获得具有边界清晰、区域连贯性的医学图像分割结果； 所述S4包括以下步骤： S41.将标准化后的多尺度特征表示集合输入至动态Transformer模块，将每一尺度下的显著性增强特征图展平为二维序列表示的输入特征序列，其中为序列长度，为每个位置的通道维度； S42.基于图像内容驱动的动态参数生成模块对每个尺度的输入特征序列进行编码处理，对输入特征序列执行全局平均池化操作，获得尺度下的统计表示向量，将统计表示向量输入至三个共享结构但参数独立的多层感知网络中，分别生成该尺度下Transformer的查询权重矩阵、键权重矩阵以及值权重矩阵； S43.基于查询权重矩阵、键权重矩阵以及值权重矩阵，分别对输入特征序列进行矩阵乘法操作，获得尺度下的查询矩阵、键矩阵和值矩阵； S44.计算尺度内的注意力权重矩阵，采用缩放点积注意力机制进行注意力分配； S45.引入内容感知门控机制对注意力分布进行像素级动态调节，根据输入医学图像显著性响应图，构造像素注意力门控因子，并将像素注意力门控因子嵌入至注意力加权输出中，得到动态注意力输出序列： ； 其中，表示按行广播的逐元素乘法，，用于提升病灶区域像素在注意力输出中的动态响应强度，为权重系数； S46.对所有尺度下的动态注意力输出序列进行尺度级融合，引入全局自适应融合权重，全局自适应融合权重由每一尺度下注意力输出的统计特征生成，全局自适应融合权重依据病灶区域在各尺度下的响应强度动态调整： ； 其中，表示尺度下经过动态Transformer模块处理后得到的动态注意力输出序列，表示尺度下经过动态Transformer模块处理后得到的动态注意力输出序列，表示对动态注意力输出序列的全局平均池化结果，即对所有空间位置的特征响应取均值，用于提取尺度在整体图像中所表达的主要语义特征，为自适应融合函数中的权重向量，为自适应融合函数中的偏置项； S47.按照全局自适应融合权重对所有尺度的动态输出进行加权求和，获得融合后的全局特征表示。

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盐城市第三人民医院，其通讯地址为：224001 江苏省盐城市剧场路75号、新都西路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。