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自适应权重跳跃连接的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：CN119338841B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411286377.8，技术领域涉及：G06T7/11；该发明授权一种基于自适应权重跳跃连接的医学图像分割方法是由朱望闻;颜成钢;孙垚棋;路荣丰;陈泉;王廷宇设计研发完成，并于2024-09-13向国家知识产权局提交的专利申请。

本一种基于自适应权重跳跃连接的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适应权重跳跃连接的医学图像分割方法。通过引入自适应权重调整的传输特征注意力机制，本发明能够动态调整跳跃连接的特征传输比重，优化重要特征的利用效率，并减少无效特征的影响。提高了模型对眼底图像中水肿区域的识别和分割精度，同时优化了特征在模型中的整体影响。自适应权重调整的传输特征注意力机制增强了网络模型对不同数据结构的适应能力，提高了模型的兼容性和鲁棒性。

本发明授权一种基于自适应权重跳跃连接的医学图像分割方法在权利要求书中公布了：1.一种基于自适应权重跳跃连接的医学图像分割方法，其特征在于，包括步骤如下： 步骤1：数据获取及预处理： 步骤2：通过医学图像分割模型的编码器提取不同尺度的图像特征： 步骤3：跳跃连接并通过自适应权重跳跃连接模块自适应调节注意力： 在encoder的路径上，将提取出的每一层的特征数据都通过跳跃连接传输至对应层级的decoder；对于encoder最顶层的特征数据k，将其与decoder最底层的特征数据d一同输入自适应权重跳跃连接模块中进行自适应调节，再传输至对应层级的decoder，自适应调节具体为：先将d的维度通过view函数压缩为3维，固定前两维B,Cd的维度，并且自动合并第3、4维；再通过reshape函数，将k的维度变为3维，通过H×W合并两个维度，并且将三个维度进行位置变换；再让得到的dflat和kflat与矩阵Ws做点乘；通过softmax函数得到对应的权重参数，与kflat相乘后通过view_as函数调整至与k相同的维度，得到自适应权重跳跃连接模块的最终输出kattend； 具体公式如下： dflat＝d.viewB,Cd,-1 kflat＝k.reshapeCk,H×W.permute1,2,0 kattend＝softmaxdflat·Ws·kflat·kflat.view_ask 其中，各个符号表示如下： d：代表decoder最底层的特征数据； B：为Batchsize缩写，代表训练过程中的批处理大小； Cd：为d的通道数； view：为Pytorch中一个函数，用于将d的高度和宽度维度合并，从而形成一个三维张量； dflat：代表decoder最底层的特征参数经过维度变换后的特征向量，从四维转化到三维； k：代表encoder最顶层的特征数据，即原始的跳跃连接参数； Ck：为k的通道数； H：为d和k的高度维度； W：为d和k的宽度维度； reshape：为Pytorch中一个函数，用于重新排列k的维度，将通道数放在第一维，高度在第二维，而将宽度维和批处理大小合并在一起形成最后一维； permute：为用于重新排列张量的维度的函数，用于改变各维度的顺序； fflat：代表encoder最顶层通过跳跃连接传输的特征参数经过维度变换后的三维向量； softmax：是归一化指数函数； view_as:为Pytorch中一个函数，用于改变张量的形状与括号内的张量一致而不改变其数据内容； Ws：一个自适应的矩阵，其大小为HW，HW*B，满足与kflat和dflat的矩阵乘法，用于自动调节k的传输比例；矩阵在网络初始化时随机赋值，然后在网络训练过程中进行优化； kattend：该模块的最终输出，用于替换原始的跳跃连接参数k； 步骤4：通过解码路径decoder结合跳跃连接参数完成图像分割，得到最后的分割输出； 步骤5：对基于自适应权重跳跃连接的医学图像分割模型进行训练； 步骤6：将训练好的模型用于推理，即在新的眼底OCT图像上预测水肿区域。

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 浙江省杭州市下沙高教园区2号大街；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。