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！

龙图腾网获悉长春大学申请的专利一种基于改进YOLOv8n-Seg的多尺度轻量化脑肿瘤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：CN120526155B 。

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：202511036600.8，技术领域涉及：G06V10/26；该发明授权一种基于改进YOLOv8n-Seg的多尺度轻量化脑肿瘤分割方法是由孙立岩;郑琳宣;辛翌设计研发完成，并于2025-07-28向国家知识产权局提交的专利申请。

本一种基于改进YOLOv8n-Seg的多尺度轻量化脑肿瘤分割方法在说明书摘要公布了：一种基于改进YOLOv8n‑Seg的多尺度轻量化脑肿瘤分割方法，属于医学图像处理机人工智能技术领域，设计了一种融合低秩卷积与傅里叶变换的新型下采样模块FLRDown，替代YOLOv8n‑Seg主干网络中的标准卷积操作；在SimAM注意力机制的基础上进行了进一步改进，提出了一种新型的注意力模块——AdaSimAM；在原YOLOv8n‑Seg分割头基础上，设计了LCSDSH分割头部网络，优化了头部网络结构并减少了冗余参数。本发明通过引入结构优化与特征增强机制，在有效降低模型计算复杂度的同时，增强了对小目标区域的感知能力，并提升了模型在多尺度肿瘤识别中的鲁棒性和泛化能力，从而更适用于临床实践中对脑肿瘤自动分割的实际需求。

本发明授权一种基于改进YOLOv8n-Seg的多尺度轻量化脑肿瘤分割方法在权利要求书中公布了：1.一种基于改进YOLOv8n-Seg的多尺度轻量化脑肿瘤分割方法，其特征在于：包括以下步骤，且以下步骤顺次进行： 步骤一：输入待分析的脑肿瘤MRI图像，通过图像预处理操作进行图像质量优化；模型的主干网络采用FLRDown模块作为高效的下采样结构，并融合C2f模块与SPPF模块以实现多尺度特征提取，分别生成浅层特征图P38、中层特征图P416和深层特征图P532，用于捕捉不同层级的图像语义与细节信息； 步骤二：将步骤一提取的特征图输入至颈部网络中，所述颈部网络基于特征金字塔结构FPN和路径聚合网络PAN构建，融合了上采样层Upsample、连接层Concat、卷积层Conv、C2f层、以及AdaSimAM注意力模块，进行不同尺度特征之间的深度信息融合；颈部网络输出的多尺度特征图P3-s、P4-m及P5-l，显著增强了对目标区域结构细节的建模能力； 步骤三：经步骤二深度信息融合后的特征图被传递至经过改进的LCSDSH分割头部网络中，LCSDSH结合精确的边界框检测与掩码生成机制，实现脑肿瘤区域的精准定位与分割，输出包含空间位置信息和区域边界的完整分割结果； 步骤二所述AdaSimAM注意力模块工作流程为：经过颈部网络的多尺度特征融合后输出的三个层次的特征图分别输入到AdaSimAM注意力模块中，利用平均池化对输入各个特征图进行平滑处理；采用局部窗口的平均池化方式提取局部区域的统计特征；将平滑后的特征图与其局部均值之间的差异作为核心信息，计算每个空间位置的注意力响应，通过归一化方式获得相对重要性，生成通道级别的注意力权重图；根据输入特征图在空间维度上的标准差，动态地调整超参数Adaptive_eλ；将计算得到的注意力权重与原始输入特征图进行逐元素相乘，得到加权后的输出特征图P3-s、P4-m和P5-l； 所述超参数Adaptive_eλ的计算公式为： Adaptive_eλ＝σx×α 式中：α为缩放因子； σx为输入特征图x，在空间维度上的标准差； 式中：xc,i,j为通道c上位置i,j的像素值，H,W分别表示空间维度上的高和宽，μc为通道c的均值； 步骤三所述改进的LCSDSH分割头部网络工作流程包括三个阶段： 第一阶段为特征增强，加权后的输出特征图P3-s、P4-m、P5-l分别经过1×1轻量卷积模块Conv_GN进行通道压缩后，统一输入至共享卷积模块，由两层串联的3×3卷积Conv_GN完成特征增强； 第二阶段为目标检测，增强后的特征在每个尺度上分别通过独立的回归头Conv_Reg和分类头Conv_Cls输出边界框偏移量和类别概率并计算边界框回归损失Bbox.Loss和分类损失CLs.Loss，回归结果经由尺度调节模块Scale缩放处理后，通过DFL解码得到最终边界框坐标与分类结果同时计算分布式焦点损失Dfl.Loss； 第三阶段为实例分割处理，其中最浅层特征图P3-s用于原型掩码生成模块Proto，提取一组全图共享的原型掩码；同时，各尺度特征图经过轻量级的掩码分支1×1和3×3Conv_GN生成对应的掩码系数；最终通过将掩码系数与原型掩码线性组合，恢复出每个目标的高质量实例分割掩码生成最后的实例分割结果并计算分割掩码损失Seg.Loss； 所述尺度调节模块Scale的处理公式及原理为： 式中：t为回归头输出的原始预测，即每个像素点的边界框偏移预测； θ为可学习的标量参数，初始化为1.0，在训练过程中通过梯度下降优化；为缩放后的预测结果，作为距离分布的输入送入DFL解码。

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长春大学，其通讯地址为：130022 吉林省长春市卫星路6543号长春大学；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。