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！

龙图腾网获悉四川大学申请的专利一种基于类Transformer网络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：CN116580040B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202310591183.8，技术领域涉及：G06T7/12；该发明授权一种基于类Transformer网络的医学图像分割方法是由朱敏;高承睿;程俊龙;杨子元;陈迎语;王凤杰设计研发完成，并于2023-05-24向国家知识产权局提交的专利申请。

本一种基于类Transformer网络的医学图像分割方法在说明书摘要公布了：本发明属于图像分割领域，具体涉及了一种基于类Transformer网络的医学图像分割方法。首先，本发明利用隔像素采样的方式将原始分辨率图像切分为4相同尺寸的图像块；然后，本发明在U型网络的编解码结构中设计了类Transformer模块和DenseMLP模块，使得网络模型可以获得更大感受野并捕获多尺度特征信息；最后，本发明将公开数据集进行训练集与测试集的划分，并将数据输入网络模型，通进网络训练后，获得图像分割结果。本发明解决了现有的各类卷积神经网络在医学图像分割问题上存在的无法有效建立起远程依赖和感受野不足的问题。

本发明授权一种基于类Transformer网络的医学图像分割方法在权利要求书中公布了：1.一种基于类Transformer网络的医学图像分割方法，其特征在于，包括如下步骤： 步骤1：选择公开的医学图像分割数据集，并对数据集中的训练集进行预处理； 步骤2：构建图像切片模块，用于输入图像分割网络的小尺寸图像块； 步骤3：构建跨流注意力模块和密集多层感知器模块，用于捕获多尺度特征； 步骤4：通过跨流注意力模块和密集多层感知器模块构建类Transformer模块，以此捕获图像块之间的重要全局上下文信息，提取丰富的局部信息和空间纹理信息； 步骤5：将所述类Transformer模块作为编码器、解码器的组成部分，结合桥接器构建U型分割网络框架； 所述步骤3中跨流注意力模块和密集多层感知器模块设计过程如下： 步骤3.1：将图像切片模块的输出特征图作为跨流注意力模块的输入特征，跨流注意力模块包括三条分支，分别为大核注意力分支、空间注意力分支和通道注意力分支；代表图像块尺寸高为H，宽为W，通道数量为C； 1所述大核注意力分支包括三个子操作DW-Conv、DW-D-Conv和1×1Conv，分别获得XDW-Conv、XDW-D-Conv和XConv三个特征图，大核注意力分支输出特征图表达公式如下； Xsl＝Xl-1☉Conv1×1DW-D-ConvDW-ConvXl-1 其中，⊙为逐像素相乘操作，DW-Conv表示深度可分离卷积操作，DW-D-Conv表示深度可分离扩张卷积操作，1×1Conv表示卷积核为1的卷积操作； 2所述空间注意力分支首先将特征图Xl-1和XDW-Conv通过通道均值和重塑操作生成特征图和N＝H×W；将特征图X′l和X′DW-Conv进行矩阵相乘得到特征图X′sn，然后将特征图X′sn经过softmax操作获得特征图最后特征图X″sn和X′l矩阵相乘获得空间注意力分支输出的特征图 3所述通道注意力分支将特征图Xl-1和XDW-Conv通过全局池化和重塑操作生成特征图和然后将特征图X″l和X″DW-Conv进行矩阵相乘生成特征图X′c，并对特征图X′c进行softmax操作生成通道注意力图X″c，最后将特征图X″l和通道注意力图X″c进行矩阵相乘和重塑操作生成通道注意力分支输出的特征图 则跨流注意力模块最终输出特征图的表达式为： 步骤3.2：密集多层感知器模块的输入为跨流注意力模块的输出特征图首先对输入经过重塑操作获得然后将输入到经过密集连接的多层感知器中，该过 程表达方式如下： 其中，K代表密集多层感知器模块有K层，密集多层感知器模块的所有后续层都与之前的层相关；表示第k-1层的特征图，G为密集多层感知器模块的增长率，Xk表示密集连接的多层感知器的输出，表示第k层的特征图，MLP表示多层感知器； 所述步骤4中类Transformer模块包括三部分：归一化层、跨流注意力模块和密集多层感知器模块，表示如下： 其中，Xl-1表示输入网络的特征图，表示跨流注意力模块的输出，Xl表示类Transformer模块输出，Norm代表归一化操作，SAA表示跨流注意力，DenseMLP表示密集多层感知器。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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”。