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！

龙图腾网获悉川北医学院附属医院申请的专利一种基于深度学习的医学图像处理方法及系统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：CN119338831B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202411897266.0，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的医学图像处理方法及系统是由刘友玉;王姬设计研发完成，并于2024-12-23向国家知识产权局提交的专利申请。

本一种基于深度学习的医学图像处理方法及系统在说明书摘要公布了：本发明属于医学图像处理技术领域，具体涉及一种基于深度学习的医学图像处理方法及系统，创建关键帧提取模型，并使用已标记的医学图像数据对所述关键帧提取模型进行训练，获取患者脑部医学视频流数据并进行数据预处理，输入至关键帧提取模型；创建图像处理模型，并将提取的包含指定波形数据的关键帧图像输入至图像处理模型进行关键特征识别；图像处理模型基于识别的关键特征对关键帧图像中的关键特征区域进行图像切割；图像处理模型将从图像中分离出来的目标区域进行指定特征提取并输出，将输出的指定特征数据进行数据格式化处理，转换成指定数据格式并导出。上述过程能够基于TCCD的医学影像数据的图像处理过程获取连续的血流数据。

本发明授权一种基于深度学习的医学图像处理方法及系统在权利要求书中公布了：1.一种基于深度学习的医学图像处理方法，其特征在于，包括以下步骤： S1：创建关键帧提取模型，并使用已标记的医学图像数据对所述关键帧提取模型进行训练，并使用验证集对所述关键帧提取模型进行验证，判断指定性能参数是否满足指定要求； S2：获取患者脑部医学视频流数据并进行数据预处理，将预处理后的医学视频流数据输入至训练后的所述关键帧提取模型，所述关键帧提取模型提取患者脑部医学视频流数据中包含指定波形数据的关键帧图像； S3：创建图像处理模型，并将提取的包含指定波形数据的关键帧图像输入至所述图像处理模型，所述图像处理模型对预处理后的关键帧图像中的关键特征进行识别； S4：所述图像处理模型基于识别的关键特征对关键帧图像中的关键特征区域进行图像切割，即将关键帧图像中的目标区域从图像中分离出来； S5：所述图像处理模型将从图像中分离出来的目标区域进行指定特征提取并连续输出，将输出的指定特征数据进行数据格式化处理，转换成指定数据格式，并按照指定数据格式进行导出，得到连续的组织数据； 步骤S1中的关键帧提取模型为卷积神经网络模型，所述卷积神经网络模型设有输入层、卷积层+池化层的组合层、全连接层和输出层，所述卷积层+池化层的组合层中包括卷积核大小为5×5，步长为2的卷积层，池化核大小为3×3，步长为1的池化层，所述全连接层的输入为120个节点，输出为84个节点； 所述输入层输入医学视频流的原始图像数据； 所述卷积层，设有多个，通过卷积层+池化层的组合层中的一系列卷积核对输入的图像数据进行卷积操作，获取图像中的局部特征，每个卷积核均生成一个特征图； 所述池化层，设有多个，每个池化层对其上一层卷积层输出的特征图进行下采样，在保留指定特征的基础上降低特征图的空间维度和参数数量； 所述全连接层，将卷积层+池化层的组合层提取的特征进行全局整合，并映射到样本标记空间，并将全局整合结果传输给输出层进行输出； 步骤S2的具体过程如下： S21：获取患者脑部医学视频流数据并进行图像去噪处理，将去噪处理后的医学视频流数据输入至训练后的所述关键帧提取模型； S22：所述关键帧提取模型提取患者脑部医学视频流数据中包含指定波形数据的关键帧图像，对关键帧图像进行图像增强处理； 步骤S21中对患者脑部医学视频流数据进行去噪处理的具体过程为： S211：通过离散小波变换将患者脑部医学视频流图像数据中的观测信号分解为不同尺度的小波系数，并选择适当的小波基和分解层数； S212：设置指定阈值，对所述小波系数基于软阈值函数得到去噪系数； S213：使用小波逆变换将去噪系数重构为去噪信号； S214：基于重构的去噪信号对患者脑部医学视频流数据进行去噪处理； 步骤S22中对关键帧图像进行图像增强处理的具体过程如下： S221：对关键帧图像在多个尺度上选择多个不同的高斯函数标准差，并对关键帧图像进行高斯模糊得到多个模糊后的图像L 1x，y，L 2x，y，···，L n x，y，n为尺度数量； S222：对每个尺度上的图像L 1x，y，L 2x，y，···，L n x，y进行对数运算得到每个尺度的反射分量，得到Log[R 1x，y]，Log[R 2x，y]，···，Log[R n x，y]； S223：对每个尺度的反射分量进行加权平均，得到加权平均的反射分量Log[Rx，y]=ΣWeighti*Log[Rix，y]； S224：将加权平均的反射分量Log[Rx，y]量化为0到255范围的像素值，作为最终输出的关键帧图像； 步骤S3中对预处理后的关键帧图像中的关键特征进行识别的具体过程如下： S31：通过高斯函数对连续关键帧图像进行处理以构建连续高斯尺度空间； S32：计算步骤S31中连续高斯尺度空间中两两相邻的高斯尺度空间的差分，并构建高斯差分金字塔； S33：在构建的所述高斯差分金字塔中，将关键帧图像中的指定像素点与其周围的指定个邻域像素以及两个尺度上的指定个像素进行比较，判断所述指定像素点是否为极值点，若是，则标记为候选关键点； S34：对所述候选关键点进行定位，去除其中低对比度点和边缘响应点，并为去除其中低对比度点和边缘响应点后的每个候选关键点分配多个主方向； S35：为去除其中低对比度点和边缘响应点后的每个候选关键点的周围构建指定维的向量，并统计关键点的周围区域的梯度方向直方图来描述局部图像结构； 步骤S4中对关键帧图像中的关键特征区域进行图像切割的具体过程如下： S41：基于步骤S35中统计关键点的周围区域的梯度方向直方图来描述局部图像结构的结果，并利用图像的像素点的相似性生成初始的区域或者超像素； S42：根据相似性准则，合并相邻区域得到切割区域； S43：基于获取的切割区域进行图像切割，并对切割后的图像的边界进行细化、去噪以及填充空洞的处理。

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川北医学院附属医院，其通讯地址为：637000 四川省南充市顺庆区文化路63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”。