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！

龙图腾网获悉湖南科技大学申请的专利一种基于深度学习的腹部CT图像多器官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：CN116721253B 。

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：202310687349.6，技术领域涉及：G06V10/26；该发明授权一种基于深度学习的腹部CT图像多器官分割方法是由廖苗;邸拴虎;唐红亮;梁伟;赵于前设计研发完成，并于2023-06-12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腹部CT图像多器官分割方法在说明书摘要公布了：本发明公开了一种基于深度学习的腹部CT图像多器官分割方法，具体实现为：1构建包含腹部CT图像和其对应的多器官分割结果的训练数据集；2设计一种基于双自注意力机制和多尺度特征融合的分割网络；3结合Dice损失与Focal损失构建网络损失函数；4利用训练数据集对网络进行训练；5运用训练好的网络分割腹部CT图像中的各器官区域。本发明通过采用双注意力和多尺度特征融合机制，可在引入非常少量的参数及浮点计算次数的情况下，更具针对性地建立长距离依赖，解决形状不规则的长条形器官分割精度低的问题。

本发明授权一种基于深度学习的腹部CT图像多器官分割方法在权利要求书中公布了：1.一种基于深度学习的腹部CT图像多器官分割方法，其特征在于，包括以下步骤： 1建立包含腹部CT图像和其对应的多器官分割结果的训练数据集A； 2构建一种基于双自注意力机制和多尺度特征融合的分割网络，称之为DAMF-Net，具体包括： 2-a采用带跳跃连接的U型结构作为网络基准框架，其中编码路径和解码路径分别由5个编码块和解码块级联组成，为了避免信息的冗余传递，同时增强小目标与边缘的识别能力，在相同层级的编码和解码块之间增加一条带残差块的跳跃连接，此外，为了补充感受野受限造成的信息损失、建立全局信息间的联系，同时轻量化网络，在网络最深层引入由多尺度信息融合模块和双自注意力模块并联构成的特征提取模块，其中多尺度信息融合模块简称为MSCF，双自注意力模块简称为DSA； 2-b步骤2-a所述的编码块，其特征在于，包括一个编码主路和残差支路，在编码主路中首先对输入特征图先后进行两次3×3卷积，前一个3×3卷积层后依次连接一个归一化层和ReLU激活层，后一个3×3卷积层后连接一个归一化层；为了防止出现网络退化，在编码块中增加了一个残差支路，将输入特征进行1×1卷积与归一化；然后，将残差支路与编码主路的结果相加，最后，通过ReLU激活层和2×2的最大池化层获取编码块的输出； 2-c步骤2-a所述的解码块，其特征在于，包括一个解码主路和残差支路，在解码主路中首先对输入特征图先后进行两次3×3卷积，前一个3×3卷积层后依次连接一个归一化层和ReLU激活层，后一个3×3卷积层后连接一个归一化层；为了防止出现网络退化，在编码块中增加了一个残差支路，将输入特征进行1×1卷积与归一化；然后，将残差支路与解码主路的结果相加，最后通过ReLU激活层和上采样获取编码块的输出，其中上采样采用2×2反卷积实现； 2-d步骤2-a所述的残差块，其特征在于，具体结构包括：将当前层级和下一层级编码块的输出均作为输入，其中当前层级编码块的输出记作Fi，下一层级编码块的输出记作Fi+1；残差块首先将Fi+1进行2×2的反卷积和ReLU激活操作，得到与Fi大小相同的特征图Fup，并将Fi与Fup进行相减，获取包含小目标和边缘细节的残差特征图Fsub＝Fi-Fup；为了进一步增强残差特征的表达，对Fsub进行连续两次3×3卷积操作，并在每次3×3卷积层后依次连接一个归一化层和ReLU激活层； 2-e步骤2-a所述的多尺度信息融合模块，即MSCF，其特征在于，具体结构包括：首先对输入特征Fin依次执行1×1卷积、归一化、ReLU激活操作得到特征Fconv1×1，该操作的目的是对通道数进行降维、减小参数数量、加快后续模块内的计算过程；然后，将Fconv1×1分别输入至金字塔池化模块中获取包含局部信息的特征FMS1，同时将Fconv1×1输入至各向异性条形池化模块中获取包含长距离上下文信息的特征FMS2；将FMS1和FMS2进行相加融合，再依次进行1×1的卷积和归一化操作得到融合多尺度特征信息的FMSCF；为了保证前后语义一致性，将输入特征Fin与FMSCF相加并通过ReLU激活层输出，然后依次执行3×3卷积、归一化、ReLU激活操作，最后通过1×1卷积将通道维度还原到输入特征的大小，得到输出特征Fout； 2-f步骤2-e所述的金字塔池化模块，记作PPM，其特征在于，具体结构包括：首先对输入特征Fconv1×1分别进行核为3×3、5×5、7×7的平均池化，得到不同尺度的特征图Fpool3×3、Fpool5×5和Fpool7×7，并分别对Fpool3×3、Fpool5×5和Fpool7×7依次进行3×3的卷积和归一化，得到特征图Fp1、Fp2、Fp3，然后，分别对Fp1、Fp2、Fp3进行核为3×3、5×5、7×7的反卷积，得到特征F1、F2、F3；最后，将F1、F2、F3进行相加融合，并依次执行ReLU激活、3×3卷积、归一化、ReLU激活得到特征FMS1： 2-g步骤2-e所述的各向异性条形池化模块，记作ASPM，其特征在于，具体结构包括：首先，使用大小为H×1和1×W的池化核分别从垂直和水平两个方向对Fconv1×1进行平均池化，生成特征图Fh和Fv，其中H和W分别表示输入特征图Fconv1×1的高和宽；然后，对Fh依次进行1×3卷积和归一化，得到特征F′h，对Fv依次进行3×1卷积和归一化得到特征F′v，并将获取的特征F′h和F′v分别沿着垂直和水平方向进行复制扩张，得到与输入特征Fconv1×1尺寸一致的特征图F1′、F2′；接着，对F1′和F2′进行相加融合，得到包含长距离上下文信息关系的特征Ffusion；最后，对Ffusion依次进行ReLU激活、3×3卷积、归一化、ReLU激活得到特征FMS2； 2-h步骤2-a所述的双自注意力模块，记作DSA，其特征在于，具体结构包括：由位置注意力模块和通道注意力模块并联构成，将输入特征Fdown分别输入位置注意力模块和通道注意力模块，获取特征FPAM和FCAM，然后将其相加融合，得到输出特征 2-i步骤2-h所述的位置注意力模块，记作PAM，其特征在于，具体结构包括： 2-i-Ⅰ对于输入特征其中W′、H′为特征图的宽度和高度，C为特征图的通道数，在三个分支上分别对Fdown进行移位卷积，得到特征和 2-i-Ⅱ为了获取各像素间的相互依赖关系，采用reshape操作将Fp1和Fp2分别重构为和并将F′p1和F′p2进行矩阵相乘和Softmax激活，得到权重矩阵 2-i-Ⅲ将重构为并将Fp′3与MPAM进行矩阵相乘，得到 2-i-Ⅳ将重构为并将Fp′map与输入特征Fdown进行相加融合，并通过移位卷积得到输出特征2-j步骤2-h所述的通道注意力模块，记作CAM，其特征在于，整体结构与PAM类似，具体包括： 2-j-Ⅰ采用reshape操作在三个分支上分别将Fdown分别重构为 2-j-Ⅱ对Fc1进行转置，获取并将Fc′1和Fc2进行矩阵相乘和Softmax激活，得到权重矩阵 2-j-Ⅲ将Fc3与MCAM进行矩阵相乘，得到 2-j-Ⅳ将重构为并将Fc′map与输入特征Fdown进行相加融合，并通过移位卷积得到输出特征3结合Dice损失与Focal损失构建DAMF-Net网络的损失函数L： L＝Lfocal+λLdice 其中，Lfocal和Ldice分别表示Focal损失和Dice损失，λ为权重系数，控制Focal损失和Dice损失的相对重要性，表示由DAMF-Net网络将像素i预测为第t类的概率，表示像素i属于第t类的真实概率，NC表示待分割的类别总数，NP表示图像中像素数目，αt和γt为权重参数，用以减轻器官像素比例不平衡的影响； 4采用训练数据集A对DAMF-Net网络进行训练，直至损失函数L收敛； 5利用已训练好的网络对腹部CT图像进行测试，获取其中的多器官分割结果。

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湖南科技大学，其通讯地址为：411201 湖南省湘潭市雨湖区石码头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”。