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！

龙图腾网获悉复旦大学申请的专利基于半监督学习的强泛化眼底图像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：CN114519702B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202210120693.2，技术领域涉及：G06T7/00；该发明授权基于半监督学习的强泛化眼底图像分割方法是由张楠;冯瑞设计研发完成，并于2022-02-09向国家知识产权局提交的专利申请。

本基于半监督学习的强泛化眼底图像分割方法在说明书摘要公布了：本发明提供一种基于半监督学习的强泛化眼底图像分割方法，首先用有标签的数对分割主网络进行预热训练，进一步，采用无监督的方法让两个分割主网络进行分割后的互相对照，因为两个分割网络是在没有相互通讯的情况下分别对原始眼底图片和扰动后的图片进行分割，但是原始图片和扰动后的图片具有结构上的一致性。因此，以这样的一致性的准则作为约束，每次对两个分割主网络的边界图和熵图求损失误差，不断迭代直到两者分割结果的差异小于规定的迭代条件时，这两个分割著网络的结构达到近似一致。通过这样的迭代训练，能够有效地提高模型对眼底图像感兴趣的分割区域的识别效果，从而获得了对眼底图像感兴趣区域分割的高精度分割模型。

本发明授权基于半监督学习的强泛化眼底图像分割方法在权利要求书中公布了：1.一种基于半监督学习的强泛化眼底图像分割方法，其特征在于，包括以下步骤： 步骤S1，对预热数据集的预热图像进行预处理，该预热数据集包含有与所述预热图像对应的标签，即包含有有标签数据； 步骤S2，将所述有标签数据分别输入两个结构相同的预热用网络模型进行同步预热训练，以向所述预热用网络模型注入所要分割的结构的初步知识； 步骤S3，将预热训练后的所述预热用网络模型的编码器提取出，作为两个结构相同的分割主网络模型的编码器； 步骤S4，对训练数据集的训练图像进行预处理并进行图像扰动，所述训练图像为未标记数据； 步骤S5，将所述训练图像以及对应的扰动后的所述训练图像分别输入两个所述分割主网络模型，进行分割一致性的训练，当两个所述分割主网络模型的分割结果的差异小于预定的差异阈值时，得到训练完成的所述分割主网络模型， 其中，所述预热用网络模型以残差网络ResNet101模型为编码器和解码器的骨干， 所述分割主网络模型的解码器包括用于生成分割掩码的解码器以及用于生成分割边界的解码器， 其中，步骤S5包括以下子步骤： 步骤S5-1，将多个所述训练图像分为N个批次； 步骤S5-2，将第k批次的所述训练图像依次输入其中一个所述分割主网络模型进行迭代训练，得到对应的分割掩码图、分割边界图以及熵图； 步骤S5-3，将第k批次的所述训练图像依次输入另一个所述分割主网络模型进行迭代训练，得到对应的所述分割掩码图、所述分割边界图以及所述熵图； 步骤S5-4，对两个所述分割主网络模型的所述分割边界图求损失误差，得到第一损失； 步骤S5-5，对两个所述分割主网络模型的所述熵图求损失误差，得到第二损失； 步骤S5-6，计算所述第一损失和所述第二损失的加权和，作为总损失误差； 步骤S5-7，将所述总损失误差进行反向传播，从而更新两个所述分割主网络模型的模型参数； 步骤S5-8，判断各层的所述模型参数是否均已收敛，当判断为是时得到训练后的所述分割主网络模型，当判断为否时，设定k＝k+1，并重复步骤S5-2至步骤S5-7， 其中，步骤S5-2中，对一个所述分割主网络模型进行一次所述迭代训练的过程包括以下步骤： 步骤S5-2-1，通过所述分割主网络模型的编码器对所述训练图像进行下采样，得到特征图； 步骤S5-2-2，基于所述特征图，通过所述分割主网络模型的解码器得到边缘粗糙的所述分割掩码图以及对应的所述熵图； 步骤S5-2-3，通过所述分割主网络模型的分割放大模块对边缘粗糙的所述分割掩码图的边缘进行放大，并在放大的空间维度上对所述分割掩码图的边缘进行细化，得到所述分割掩码图以及对应的所述熵图。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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”。