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！

龙图腾网获悉中山大学;广东融谷创新产业园有限公司申请的专利基于改进Faster R-CNN的医学影像脑肿瘤检测方法与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：CN114445328B 。

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：202111543746.3，技术领域涉及：G06T7/00；该发明授权基于改进Faster R-CNN的医学影像脑肿瘤检测方法与系统是由林格;苏志宏;陈小燕设计研发完成，并于2021-12-16向国家知识产权局提交的专利申请。

本基于改进Faster R-CNN的医学影像脑肿瘤检测方法与系统在说明书摘要公布了：本发明公开了一种基于改进FasterR‑CNN的医学影像脑肿瘤检测方法与系统。包括：从数据库中获取磁共振图像数据集；通过光流法和生成对抗网络以对数据集的图像做预处理，进行数据增强；构建改进FasterR‑CNN深度网络模型；采用得到的所述数据集训练所述构建的改进FasterR‑CNN深度网络模型；将需要预测的磁共振图像输入训练好的网络模型，输出脑肿瘤目标检测结果。本发明采用了基于光流法和生成对抗网络的数据增强方法，并设计了一个改进FasterR‑CNN目标检测网络模型，加入了图像特征金字塔结构以及卷积门控循环单元ConvGRU模块，修改了网络训练时的数据读取方式，增强了肿瘤检测结果的连续性，提升了脑肿瘤的检索精度和查全率。

本发明授权基于改进Faster R-CNN的医学影像脑肿瘤检测方法与系统在权利要求书中公布了：1.一种基于改进FasterR-CNN的医学影像脑肿瘤检测方法，其特征在于，所述方法包括： 从磁共振图像数据库中获取磁共振图像数据集； 通过光流法和生成对抗网络，对所述获取的数据集的图像做预处理，进行数据增强，形成经数据增强后得到的数据集； 构建改进FasterR-CNN深度网络模型，加入图像特征金字塔结构以及卷积门控循环单元ConvGRU模块，并修改网络训练时的数据读取方式； 采用所述经数据增强后得到的数据集训练改进FasterR-CNN模型，形成训练好的改进FasterR-CNN模型； 将需要预测的磁共振图像输入所述训练好的改进FasterR-CNN模型，输出脑肿瘤目标检测结果； 具体地，所述通过光流法和生成对抗网络，对所述获取的数据集的图像做预处理，进行数据增强，具体为： 找出亮度上与有肿瘤切片最为相近的正常切片序列，有肿瘤的切片记为Query，正常人切片序列记为Normal，具体地，对于Query所属的切片序列，先将其按排列顺序均匀分为10组，分别计算每组的像素亮度的均值和标准差，得到长度为20的亮度值统计向量，计算公式具体如下： 其中，表示与Query序列相对应的长度为20的亮度值统计向量， 对数据集中所有无肿瘤的Normal序列，以同样方法分别求出与其相对应的长度为20的统计向量然后计算Normal序列的亮度值统计向量与Query所属序列的亮度值统计向量之间的欧式距离： 其中，表示与Query序列相对应的长度为20的亮度值统计向量，表示与Normal序列相对应的长度为20的统计向量， 在所有Normal序列中，其亮度值统计向量与Query所属序列的亮度值统计向量距离最小的，即为亮度上与Query切片最为相近的Normal序列； 对所述亮度上与Query切片最为相近的Normal序列进行操作，得到亮度上与有肿瘤切片最为相近的正常切片，记为Answer_pri，具体地，首先通过预训练好的ResNet50模型，对Query以及Normal序列中的每一个切片做特征提取，然后计算vq与vi之间的余弦相似度，计算公式具体如下： 其中，vq表示对Query做特征提取得到的值，vi表示对Normal序列中的每一个切片做特征提取得到的值，i＝1,2,…,n， 根据相似度从大到小，对Normal序列中的切片进行排序，并选取相似度最高的前10张切片，记为N1,N2,…,N10，然后采用RAFT算法分别计算Query到所述切片的光流，记为f1,f2,…,f10，然后利用所述光流对所述切片做图像扭转操作，得到扭转后的结果N′i，图像扭转公式具体如下： N′ix′i,y′i＝Nixi,yi x′i＝xi-fixi,yi,0 y′i＝yi-fixi,yi,1 其中，Ni表示选取的前10张切片，N′i表示所述切片扭转后的结果，xi,yi表示Ni中像素坐标，x′i,y′i表示N′i中像素坐标，fi表示Query到所述切片的光流，i＝1,2,…,10， 然后对N′i按Query做直方图匹配，使得N′i与Query之间具有相似的亮度分布，以消除亮度对相似性判断的影响，最后计算N′i与Query之间像素亮度的均方误差，计算公式具体如下： 误差最小的N′i即为Answer_pri； 在Answer_pri上映射出肿瘤区域，得到初步的假肿瘤切片，记为Answer_warped，具体地，首先计算Query到Answer_pri的光流，记为f1，Query中肿瘤的位置由边界方框标出，利用f1，根据所述图像扭转公式，计算出Query中肿瘤位置的边界方框的四个顶点坐标映射在Answer_pri上的对应坐标，从而确定假肿瘤在Answer_pri上的分布区域，然后计算Answer_pri到Query的光流，记为f2，利用f2，根据所述图像扭转公式，找到假肿瘤分布区域中的每个像素点i,j在Query中的对应坐标i′,j′，根据对应坐标的像素值，利用双线性插值法对假肿瘤分布区域内的像素进行初步填充，得到初步填充值Answer_temp，以达到将肿瘤从Query中“移植”到Answer_pri中的效果，计算公式具体如下： x1＝inti′y1＝intj′ x2＝x1y2＝y1+1 x3＝x1+1y3＝y1 x4＝x1+1y4＝y1+1 u＝i′-x1v＝j′-y1 Answer_tempi,j＝1-u1-v×intQueryx1,y1+1-uv×intQueryx2,y2+u1-v×intQueryx3,y3+uv×intQueryx4,y4 其中，i,j表示假肿瘤分布区域中的每个像素点的坐标值，i′,j′表示所述假肿瘤分布区域中的每个像素点在Query中的对应坐标值， 最终的填充结果Answer_warped定义为Answer_pri与Answer_temp的平均加权和，以保留Answer_pri中的原有组织部分，计算公式具体如下： Answer_warpedi,j＝0.5×Answer_prii,j+0.5×Answer_tempi,j 其中，i,j表示假肿瘤分布区域中的每个像素点的坐标值，i′,j′表示所述假肿瘤分布区域中的每个像素点在Query中的对应坐标值； 对Answer_warped做进一步处理得到最后的假肿瘤切片，记为Answer，使其尽可能地与真正有肿瘤的切片相似，具体地，采用生成对抗网络重建图像，以此消除Answer_warped中不自然的部分，网络以Answer_warped作为输入，输出Answer，修改网络的损失函数，包括重建损失、连贯损失、对抗损失三部分，整个损失函数定义为重建损失、连贯损失、对抗损失的加权和，计算公式具体如下： Loss＝50×recLoss+50×cohLoss+advLoss 其中，recLoss表示重建损失，cohLoss表示连贯损失，advLoss表示对抗损失； 具体地，所述构建改进FasterR-CNN深度网络模型，加入图像特征金字塔结构以及ConvGRU模块，并修改网络训练时的数据读取方式，具体为： 在FasterR-CNN的基础上，加入FPN结构，在FasterR-CNN的特征提取部分进行改进，以图像特征金字塔的形式提取特征，融合具有高分辨率的浅层信息和分辨率低但语义信息丰富的深层信息； 在FasterR-CNN提取特征之后、进入RPN结构之前，加入ConvGRU模块，以此记忆切片的上下文信息； 将MRI数据集中的连续切片每3张分为一组，上下两张切片为中间切片提供3D上下文信息，然后在训练时按组读取数据，以保证每次读取的样本数据是某一个病例中的一段连续的切片。

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中山大学;广东融谷创新产业园有限公司，其通讯地址为：510006 广东省广州市海珠区新港西路135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”。