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！

龙图腾网获悉东南大学申请的专利一种基于自注意力机制和对比学习的小样本医学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：CN118967719B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202411059017.4，技术领域涉及：G06T7/11；该发明授权一种基于自注意力机制和对比学习的小样本医学图像分割方法是由池强;舒华忠;刘宇航;章悦设计研发完成，并于2024-08-02向国家知识产权局提交的专利申请。

本一种基于自注意力机制和对比学习的小样本医学图像分割方法在说明书摘要公布了：本发明公开了一种基于自注意力机制和对比学习的小样本医学图像分割方法，该方法首先需要对核磁共振成像MagneticResonanceImaging，MRI数据进行预处理，将处理后的数据进行预分割；然后将预分割结果进行掩码矫正得到伪掩码；将伪掩码及其对应的医学图像送入深度学习网络模型，根据综合损失更新模型参数并保存模型训练结果；利用训练过的模型对新的医学图像数据进行分割，得到分割掩码。本发明通过对伪掩码进行矫正提高了网络模型学习的准确性，自注意力机制和对比学习的加入实现了小样本训练过程内部传递信息并抑制了图像背景信息干扰，在有限的标注数据情况下实现了对医学图像的高效分割。

本发明授权一种基于自注意力机制和对比学习的小样本医学图像分割方法在权利要求书中公布了：1.一种基于自注意力机制和对比学习的小样本医学图像分割方法，其特征在于，所述方法包括以下步骤： 1MRI数据预处理和预分割：为适应模型输入将图像数据重新格式化为二维，调整大小为256×256像素，每个二维切片在通道维度上复制三次，使用无监督的图像分割算法进行预分割得到粗糙伪掩码； 2伪掩码的获取：对预分割得到的粗糙伪掩码进行矫正，去除其中的错误区域从而得到伪掩码； 3构建深度学习网络模型：使用的特征提取网络是在MS-COCO数据集上预训练的ResNet-101，其中分类器被1×1卷积层取代，在模型后面加入多头注意力模块来对特征进行信息传递，在查询图像前景和背景之间构建对比学习； 4模型训练过程：预设模型的总迭代次数，每次迭代取出两张MRI图像分别称为支持图像和查询图像，将两张图像送入网络模型提取特征，根据支持图像伪掩码取出支持特征的原型，利用支持原型对查询特征进行分割，将查询特征分割结果与查询图像伪掩码计算损失反向传播更新网络模型，迭代结束后保存模型参数； 5模型测试过程：模型加载在步骤4中得到的模型参数，取出一张新的图像作为支持图像，其余图像作为查询图像，将支持图像送入模型得到原型，利用原型对所有查询图像进行分割，得到分割结果； 其中，步骤3中使用多头注意力模块对特征信息传递的步骤为：首先将输入的支持图像和查询图像分别通过特征提取网络进行处理，得到各自的特征表示，这一过程表示为： Fs＝fθIs Fq＝fθIq 其中，Is和Iq分别表示支持图像和查询图像，fθ表示特征提取网络的映射函数，Fs和Fq是提取出的支持特征和查询特征，接下来，将查询特征Fq送入自注意力进行编码，自注意力机制允许模型在处理查询特征时，能够动态地关注到特征中的其他部分，从而捕捉到元素之间的依赖关系，其计算公式如下： 其中是针对查询特征Fq的线性变换矩阵，用于生成查询键和值向量，Attention函数即为自注意力机制的核心计算过程，其输出Qq表示增强后的查询特征，KT和dk分别表示键向量的转置和维度，接下来，计算支持特征的键K与查询特征的查询Q之间的相似度，并应用softmax函数进行归一化，以生成注意力权重，使用softmaxdim＝-2来确保结果每列的相似性分数之和为1，从而允许支持特征向查询特征进行聚合，随后，将注意力权重与支持图像的伪掩码相乘，以过滤掉不相干区域，最后，将过滤后的注意力权重与支持图像的值V相乘，实现特征的聚合，这一过程表示为： F'q＝attn·Vs 其中，表示支持键的转置，⊙表示逐元素相乘，Ms是支持图像的伪掩码，用于过滤掉不相干区域，attn为中间结果，F'q是将支持特征信息聚合到查询特征得到的结果，下标q和s分别表示来自查询图像和支持图像， 最后，将聚合后的查询特征送入一个由残差连接、多层感知机以及再次的残差连接组成的模块中，得到最终的聚合查询特征，这一过程通过单向信息传递策略，从支持集向查询集高效聚合关键特征信息，避免了由于查询图像预测掩码不准确而导致的信息误导问题，具体公式如下： Oq＝LNattn·V+Q Oout＝LNMLPOq+Oq 其中，使用LN表示层归一化，MLP表示多层感知机，Oq表示中间查询特征，Oout是最后得到的查询特征； 步骤3中查询图像前景背景对比学习步骤如下： 首先，采用掩码平均池化MaskedAveragePooling，MAP技术，从带标签的支持图像中提取出代表前景特征的支持原型，支持原型Ps的计算公式如下： Ps＝MAPFs,Ms 接着，利用这些支持原型与查询特征之间的余弦相似性来生成查询掩码，进而提取出查询原型Pq，余弦相似性的计算以及查询原型的提取过程，初步筛选出查询图像中可能与前景相关的区域，为了对复杂的背景区域进行区分，首先对支持图像掩码取反得到然后取出支持特征对应的背景部分特征表示为采用基于Voronoi的方法对进行划分，得到背景区域掩码集这里Bn表示第n个背景区域，R为区域个数，被设置为150，提取不同区域表示的公式如下： 其中，Pn表示第n个区域的原型，H和W分别表示的高和宽，和Bn,i分别表示支持特征和背景区域对应第i个像素，在构建的对比学习框架下，查询原型作为锚点，支持原型作为正样本，背景区域的多个分区原型构成负样本集，每个负样本都代表了背景区域的一个不同部分，从而为模型提供了丰富的背景信息。

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东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路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”。

以上内容由龙图腾AI智能生成。