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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于半监督神经网络的医学影像处理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：CN116630299B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202310714829.7，技术领域涉及：G06T7/00；该发明授权一种基于半监督神经网络的医学影像处理方法是由陈一飞;黄凡丁;刘敏哲;林彬;秦飞巍设计研发完成，并于2023-06-16向国家知识产权局提交的专利申请。

本一种基于半监督神经网络的医学影像处理方法在说明书摘要公布了：本发明公开了一种基于半监督神经网络的医学影像处理方法，S1、获取图片数据集；S2、构建DFCPS模型并训练，所述DFCPS模型包括数据增强策略和神经网络，所述神经网络包括主干网络、ASPP模块、上采样模块和Softmax函数；所述主干网络采用ResNet‑50，并引入残差连接构建深层网络，所述ASPP模块包括四个卷积层，四个所述卷积层的空洞卷积率分别为1、12、24、36；S3、使用训练好的神经网络进行图像分割。该方法通过合理地利用未标记数据和少量标记数据，以及强增强和弱增强的数据增强技术，对模型进行训练并取得理想的结果。

本发明授权一种基于半监督神经网络的医学影像处理方法在权利要求书中公布了：1.一种基于半监督神经网络的医学影像处理方法，其特征在于，包括如下步骤： S1、获取图片数据集； S2、构建DFCPS模型并训练，所述DFCPS模型包括数据增强策略和神经网络，所述神经网络包括主干网络、ASPP模块、上采样模块和Softmax函数； 所述主干网络采用ResNet-50，并引入残差连接构建深层网络，所述ASPP模块包括四个卷积层，四个所述卷积层的空洞卷积率分别为1、12、24、36； 所述DFCPS模型的训练方法为：首先，通过数据增强策略对原始样本X进行两次不同程度的强弱数据增强，生成了两组增强样本，分别为一组是强增强样本，另一组是弱增强样本，强弱增强样本分组组合，其中组合后的强弱增强样本进入到四个神经网络之中进行训练，通过不断优化模型的参数来最小化损失值； 在训练时，每组用于强弱增强样本的神经网络共享参数和权重，每组中由弱增强样本经神经网络输出的预测结果生成的伪标签，作为每个强增强样本预测的目标； 在训练过程中，引入监督损失为Ls，其利用强增强样本和弱增强样本的信息来指导DFCPS模型的学习过程； 所述监督损失Ls由交叉熵损失函数决定，对于有标记的样本进行正常的监督学习，表达式如下： 其中，Dl表示已有标签的样本集合，S定义为输入图像的面积，用高度*宽度计算，pi为对应的置信向量,yj为groundtruth，lce为交叉熵损失函数； 所述训练过程设计引入了交叉伪监督损失Lcps，使得不同组弱监督样本生成的伪标签之间会相互约束； 所述交叉伪监督损失定义为和其中表示的是有标签数据的监督损失，表示的是无标签数据的监督损失，表达式如下： 其中，Du表示未标签样本的集合； 故交叉伪监督损失定义为： 总的损失则可以相应定义为： Loss＝Ls+ωLcps5 其中ω为权重； S3、使用训练好的神经网络进行图像分割 S3-1、将经预处理的数据集作为输入，通过主干网络获取特征图； S3-2、将获取的特征图作为输入，通过ASPP模块提取特征并进行融合得到综合特征； S3-3、将获取的综合特征通过上采样技术增加数据细节，通过Softmax函数将模型的输出映射为每个类别的概率，然后根据概率选择最可能的类别作为预测结果，以生成可信度高的预测样本。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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”。