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！

龙图腾网获悉南京信息工程大学申请的专利一种应用高斯过程分类的医学图像交互式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：CN117274277B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202311191761.5，技术领域涉及：G06T7/11；该发明授权一种应用高斯过程分类的医学图像交互式分割方法是由张小瑞;莫云菲;孙伟设计研发完成，并于2023-09-15向国家知识产权局提交的专利申请。

本一种应用高斯过程分类的医学图像交互式分割方法在说明书摘要公布了：本发明提出一种应用高斯过程分类的医学图像交互式分割方法，该方法包括如下步骤：1将待分割图像导入特征提取网络，进行像素深度特征提取；2用户对待分割图像进行交互，获取用户标注信息；3构建像素分类函数上的高斯过程模型，依据提取的像素深度特征与用户标注信息获得未标注像素的像素分类函数值的预测分布；4依据未标注像素的像素分类函数值的预测分布获得未标注像素的预测标签，生成图像分割结果；5用户对图像分割结果进行判断，确认分割结果是否符合要求，如果不符合要求，重复2‑5步骤，直至分割结果符合要求，输出分割结果。

本发明授权一种应用高斯过程分类的医学图像交互式分割方法在权利要求书中公布了：1.一种应用高斯过程分类的医学图像交互式分割方法，其特征在于，该方法包括如下步骤： 1将待分割图像导入特征提取网络，进行像素深度特征提取； 2用户对待分割图像进行交互，获取用户标注信息； 3构建像素分类函数上的高斯过程模型，依据提取的像素深度特征与用户标注信息获得未标注像素的像素分类函数值的预测分布； 4依据未标注像素的像素分类函数值的预测分布获得未标注像素的预测标签，生成图像分割结果； 5用户对图像分割结果进行判断，确认分割结果是否符合要求，如果不符合要求，重复2-5步骤，直至分割结果符合要求，输出分割结果； 步骤1中的像素深度特征提取的过程如下： 将待分割图像I馈送到特征提取网络gψ·进行深度特征提取，获取每个像素的深度特征表示： gψI＝X＝[x1,…,xm]T∈Rm×d 其中，gψ·为以ψ为参数的特征提取网络，I为待分割图像；X∈Rm×d为待分割图像I所包含的所有像素的深度特征汇总而成的全像素特征矩阵，其为一个m行d列的向量矩阵，m为待分割图像I所包含的像素总数，d为像素特征向量的维度，即每个像素特征向量所包含的特征数；xi∈Rd，表示像素i的特征向量，i的取值范围1到m； 步骤2所述的具体过程如下： 2.1用户对待分割图像I进行交互，对分割目标的前景、背景区域进行点击标注以体现分割目标； 2.2获取用户交互位置对应的像素坐标与用户标注的标签，从全像素特征矩阵X中提取出用户标注位置对应像素的深度特征向量，汇总得到标注像素特征矩阵Xc∈Rn×d，对应的用户标注的像素标签则放入标注像素标签向量yc中，其中，n为用户标注的像素的数量，d为像素特征向量的维度；将全像素特征矩阵X中对应未被用户标注的像素的深度特征向量提取出来，汇总得到未标注像素特征矩阵Xu∈Rm-n×d，设未标注像素对应的标签数据集为未标注像素标签向量yu； 步骤3所述的具体过程如下： 3.1定义一个像素分类函数f:Rd→R，其是以像素i的特征向量xi∈Rd为输入，输出像素i的二分类得分，即像素xi标签为前景的正得分和为背景的负得分； 3.2构建一个像素分类函数f上的高斯过程模型，将标注像素特征矩阵Xc中的像素深度特征向量视为在标注像素标签向量yc中拥有对应像素标签的训练数据，以未标注像素特征矩阵Xu中的像素深度特征向量为测试数据，对未标注像素的像素分类函数值fu的概率分布pfu∣Xu,Xc,yc进行估计： pfu∣Xu,Xc,yc＝∫pfu∣Xu,Xc,fcpfc∣Xc,ycdfc 3.3pfu∣Xu,Xc,fc为给定未标注像素特征矩阵Xu、标注像素特征矩阵Xc与标注像素的像素分类函数值fc的情况下，未标注像素的像素分类函数值fu的概率分布，遵循以μ·,·为均值函数，以k·,·为核函数的协方差函数的高斯分布； pfu∣Xu,Xc,fc＝Nμu∣c,Ku,u∣c Nμu∣c,Ku,u∣c为以μu∣c为均值函数，Ku,u∣c为协方差矩阵的高斯分布； 其中，μu∣c表示在给定的标注像素特征矩阵X与标注像素的像素分类函数值f情况下，未标注像素的像素分类函数值f在未标注像素特征矩阵X中所包含的像素特征向量处的条件均值；Ku,c为未标注像素特征矩阵X与标注像素特征矩阵X之间的协方差矩阵；为标注像素特征矩阵X各像素深度特征向量之间的协方差矩阵的逆矩阵；Ku,u∣c表示条件协方差矩阵，Ku,u为未标注像素特征矩阵X各像素深度特征向量之间的协方差矩阵，Kc,u为标注像素特征矩阵X与未标注像素特征矩阵X之间的协方差矩阵； 3.4pf∣X,y为给定标注像素特征矩阵X与标注像素标签向量y的情况下，标注像素的像素分类函数值f的概率分布，为高斯过程后验分布；基于贝叶斯定理，高斯过程后验分布正比于似然函数与先验分布的乘积，即： pf∣X,y∝py∣X,fpf∣X 其中： pfc∣Xc＝Nμc,Xc,c 其中，pyc∣Xc,fc为似然函数，n为标注像素特征矩阵Xc的行数，即用户标注的像素的数量，s·为sigmoid函数，yt、ft为标注像素特征矩阵Xc中第t个像素深度特征向量所对应的像素标签yt与像素分类函数值ft；先验分布pfc∣Xc为给定标注像素特征矩阵Xc的情况下，标注像素的像素分类函数值fc的概率分布；Nμc,Kc,c为以μc为均值函数，以Kc,c为协方差矩阵的高斯分布，其中，均值函数μc为零均值函数，Kc,c为标注像素特征矩阵Xc各像素深度特征向量之间的协方差矩阵； 其中，似然函数不满足高斯分布，pfc∣Xc,yc无法直接计算，对与pfc∣Xc,yc相对应的高斯过程变分分布qfc∣Xc,yc进行计算，通过最小化pfc∣Xc,yc与qfc∣Xc,yc之间的KL散度对pfc∣Xc,yc进行近似计算； pfc∣Xc,yc相应的高斯过程变分分布qfc∣Xc,yc为： qfc∣Xc,yc＝NmξXc,yc,σ2Ic mξXc,yc＝SoftplusMLPξXc*yc 其中，fc为标注像素的像素分类函数值，Xc为标注像素特征矩阵，yc为标注像素标签向量；NmξXc,yc,σ2Ic为一个多元高斯分布，mξXc,yc为均值函数，σ2Ic为协方差矩阵，σ2为方差参数，Ic为单位矩阵，用于表示多元高斯分布每个维度上的方差；Softplus·为激活函数，MLPξ·为一个由ξ参数化的多层感知机，用于将标注像素特征矩阵Xc从Rn×d转化为Rn×1； 3.5将pfu∣Xu,Xc,fc与pfc∣Xc,yc代入pfu∣Xu,Xc,yc＝∫pfu∣Xu,Xc,fcpfc∣Xc,ycdfc，以得到未标注像素的像素分类函数值fu的概率分布pfu∣Xu,Xc,yc； 步骤4所述的具体过程为： 获得未标注像素的像素分类函数值fu的概率分布pfu∣Xu,Xc,yc，对未标注像素的像素分类函数值fu的进行预测： 其中，为未标注像素的像素分类函数值fu的预测值，μ*和K*为未标注像素的像素分类函数值fu的概率分布pfu∣Xu,Xc,yc的均值和方差； 通过未标注像素的像素分类函数值的预测值获得未标注像素标签向量yu的预测 其中，s·为sigmoid函数； 按照待分割图像像素原本的空间位置对标注像素标签向量yc与未标注像素标签向量的预测中每个像素对应的像素标签进行顺序排列，以获得图像分割结果

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南京信息工程大学，其通讯地址为：210032 江苏省南京市江北新区宁六路219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。