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！

龙图腾网获悉北京大学申请的专利一种基于多层级非对称对比学习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：CN120510166B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202510609991.1，技术领域涉及：G06T7/11；该发明授权一种基于多层级非对称对比学习的医学图像分割方法是由曾爽;卢闫晔设计研发完成，并于2025-05-13向国家知识产权局提交的专利申请。

本一种基于多层级非对称对比学习的医学图像分割方法在说明书摘要公布了：本发明公开一种基于多层级非对称对比学习的医学图像分割方法，属于自监督预训练方法领域。本发明通过在主导分支中引入部分解码器形成非对称结构，并通过降采样实现空间不变形性、表征一致性，实现单阶段编码器‑解码器同步预训练，保证了编码器和解码器的协同合作，同时通过构建从全局到局部的多层级关联机制，整合图像级、像素级和特征级表征对应关系，使编码器‑解码器在预训练阶段同步捕获多尺度细节特征，能够精确地定位分割出医学器官或者病灶的具体位置。

本发明授权一种基于多层级非对称对比学习的医学图像分割方法在权利要求书中公布了：1.一种基于多层级非对称对比学习的医学图像分割方法，包括如下步骤： A.医学图像数据集构建，对于上游用于预训练的未标注数据集的图像Xu；对于下游用于医学图像分割任务微调的标注数据集图像Xd，其对应的分割标签图像为Yd，构建的上游预训练数据集记为下游医学图像分割微调数据集记为N是上游预训练数据集的图像数量，M是下游医学图像分割微调数据集的图像数量； B.医学图像分割任务模型搭建，记搭建好的医学图像分割模型的编码器结构为e·，解码器结构为d·，以及搭建一个图像级投影器对特征进行投影获得图像级投影用于计算全局对比损失函数以及一个像素级投影器对特征进行投影获得像素级投影用于计算密集对比损失函数； C.上游对比学习预训练：利用步骤A中构建的无标注数据集ΩU对步骤B中构建的医学图像分割模型中的编码器e·和解码器d·进行预训练，具体实现步骤为： C1.构造非对称对比学习框架，具体步骤如下： C1a.对于一个批次的输入图像Xu∈RB×C×H×W，B指批量大小，C是输入图像的通道数，H×W是输入图像的尺寸，H指图像高度，W指图像宽度，采用两种不同的增强方式：第一种使用非空间变换Tfix得到空间不变图像组{I1,I2}；第二种使用空间变换Tvar得到空间变化图像组{V1,V2}： {I1,I2}＝TfixXu,{V1,V2}＝TvarXu C1b.构造辅助分支，将像素位置固定的空间不变图像I2输入到编码器e·中获取特征级表征其中，B为批量大小，C指特征图的通道数，h和w分别指特征图的高度和宽度，然后传入到像素级投影器获取像素级投影 而对于像素位置发生变化的空间变化图像组中的V2，将其输入到编码器e·和图像级投影器中以获得图像级投影 C1c.构造主导分支，对于像素位置固定的空间不变图像I1，首先进行降采样处理，然后输入到编码器e·以获得特征级表示d，接着传入解码器d·以恢复图像细节，同时生成像素级投影Zl: F＝edownI1,Zl＝dpF 而对于像素位置发生变化的空间变化图像V1，同样进行降采样处理，然后输入到编码器e·和图像级投影器gins·以获得图像级投影Zg: Zg＝ginsedownV1 C2.通过多层级对比学习策略分别在图像级、像素级和特征级对模型进行优化，具体步骤如下： C2a.用于上游预训练的无标注数据集经过数据增强后，得到2N个样本，即其对应的主导分支和辅助分支的图像级投影分别为：和全局对比损失定义如下： 其中，表示与形成正样本对的索引集合，sim·,·代表余弦相似度，用于计算两个向量在特征空间中的相似度，τ是温度缩放参数，是指示函数，采用PCL策略，结合位置信息生成正负样本对； C2b.像素级表征通过密集对比损失进行约束，该损失将全局对比损失扩展为密集形式，和是通过主导分支和辅助分支中的像素级投影头生成的像素级表征，这些表征是尺寸为S×S的密集特征图，其中S代表空间尺寸，对于每两张输入图像，根据基于位置的对比样本生成策略，形成S2对像素级投影样本，密集对比损失定义为： 其中，和分别表示主导分支和辅助分支中的第s个像素的投影； C2c.特征级表征通过等变正则化进行约束，即在多层级对比学习中引入等变正则化，以在多尺度特征表示上施加一致性约束，从而为网络学习提供额外的自监督信号，等变正则化损失定义如下： 其中，F和分别是主导分支和辅助分支中编码器学习到的特征表示；down·代表降采样操作，采用L1范数来度量特征表示的一致性； C3.损失函数计算与参数更新，在每一个epoch中，首先获取一个批次的训练数据，然后按照C2a-c步骤计算三个损失函数并得到最终的多层级对比损失函数 其中，λ1,λ2,λ3代表权重系数，整个预训练采用单阶段方式进行；使用随机梯度下降法更新模型参数，并重复C1-C2，直至模型训练的总损失函数收敛到稳定极小值，此时主导分支中的编码器e·和部分解码器d·的参数状态即为预训练好的模型参数，用于初始化下游医学图像分割任务的编码器和解码器； D.针对步骤B中搭建好的医学图像分割模型的编码器e·和解码器d·，将C3主导分支中预训练好的编码器e·和部分解码器dp·的参数加载进去，剩余部分编码器的参数随机初始化，将下游的标注数据集按照一定比例划分为训练集和测试集，训练医学图像分割模型； E.采用下游标注数据集的测试集，使用步骤D训练后的医学图像分割模型获取医学图像分割结果。

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北京大学，其通讯地址为：100871 北京市海淀区颐和园路5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。