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！

龙图腾网获悉西安电子科技大学申请的专利一种基于自监督学习的小样本医学图像分割方法、系统、设备及介质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：CN116681667B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202310643341.X，技术领域涉及：G06T7/00；该发明授权一种基于自监督学习的小样本医学图像分割方法、系统、设备及介质是由张方蓉;纪建;廖俊茹设计研发完成，并于2023-06-01向国家知识产权局提交的专利申请。

本一种基于自监督学习的小样本医学图像分割方法、系统、设备及介质在说明书摘要公布了：一种基于自监督学习的小样本医学图像分割方法、系统、设备及介质，方法包括：对未标注图片医学图像数据集进行数据增强，得到增强后医学图像数据集，用自监督学习maskSLIC算法进行聚类处理，生成伪标签，将有标注图片医学图像数据集和伪标签进行数据增强，得到支持集和查询集，构建基于原型网络小样本分割模型，将支持集和查询集输入上述模型，得到医学图像数据集分割后的预测结果，将其输入上述模型，得到微调小样本分割模型，将其用于医学图像分割，得到基于自监督学习的小样本医学图像分割结果；系统、设备及介质，用于实现基于自监督学习的小样本医学图像分割方法；本发明具有泛化能力强、医学图像数据量多、全局多样性充裕、分割性能好的特点。

本发明授权一种基于自监督学习的小样本医学图像分割方法、系统、设备及介质在权利要求书中公布了：1.一种基于自监督学习的小样本医学图像分割方法，其特征在于，包括以下步骤： 步骤1：获取未标注图片的医学图像数据集，采用数据增强策略对未标注图片的医学图像数据集进行数据增强，得到增强后的医学图像数据集； 步骤2：对未标注的医学图像数据集和步骤1得到的增强后的医学图像数据集利用自监督学习maskSLIC算法进行聚类处理，生成伪标签； 步骤3：采用医学图像数据增强策略将有标注的图片的医学图像数据集和根据步骤2得到的伪标签进行数据增强，得到支持集和查询集； 所述步骤3的具体过程为： 步骤3.1：采用医学图像数据增强策略对图像进行数据增强，得到融合图像；所述的医学图像数据增强策略分为全局位置尺度增强模块、局部位置尺度增模块和显著性融合模块； 所述步骤3.1的具体过程为： 步骤3.1.1：使用全局位置尺度增强模块对有标注的图片的医学图像数据集和伪标签进行约束贝塞尔变换，得到增强图像多样性的医学图像数据集，计算高斯分布的标准差，根据差值选取位置尺度因子，通过对增强图像多样性的医学图像数据集输入通道上的梯度值取范数以及进行下采样操作和线性插值操作计算显著图，得到全局中最大梯度区域； 步骤3.1.2：使用局部位置尺度增模块将步骤3.1.1得到的全局中最大梯度区域的有标注的图片的医学图像数据集和伪标签进行约束贝塞尔变换，得到增强图像多样性的医学图像数据集，然后计算高斯分布的标准差，根据差值选取位置尺度因子，通过对增强图像多样性的医学图像数据集输入通道上的梯度值取范数以及进行下采样操作和线性插值操作计算显著图，得到前景区域中最大梯度区域； 步骤3.1.3：将步骤3.1.1得到的全局中最大梯度区域和步骤3.1.2得到的前景区域中最大梯度区域进行融合，得到融合图像； 步骤3.2：采用显著性平衡融合策略模块对步骤3.1中的融合图像通过输入通道的梯度值取范式，然后，对取范式后的融合图像下采样，对采样后的模块进行线性插值操作输出增强后的融合图像； 步骤3.3：对于每一次迭代i，由步骤3.2得到的增强后的融合图像中每张图片xi和步骤2中生成的超像素来构成支持集 每一次迭代的查询集为其中和是对于支持集中的图片进行随即转换； 步骤4：构建基于原型网络的小样本分割模型； 步骤5：将步骤3得到的支持集和查询集输入到步骤4得到的小样本分割模型，得到对医学图像数据集分割后的预测结果； 步骤6：将步骤5得到的对医学图像数据集分割后的预测结果输入到步骤4得到的小样本分割模型，得到微调后的小样本分割模型，将微调后的小样本分割模型用于医学图像分割，得到一种基于自监督学习的小样本医学图像分割结果。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路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”。