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！

龙图腾网获悉重庆理工大学申请的专利结合特征相似和可靠区域增强的半监督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：CN116596868B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202310502287.7，技术领域涉及：G06T7/00；该发明授权结合特征相似和可靠区域增强的半监督医学图像分割方法是由龙建武;杨诚鑫;任岩;曾子秦;张臣;杨凯设计研发完成，并于2023-05-06向国家知识产权局提交的专利申请。

本结合特征相似和可靠区域增强的半监督医学图像分割方法在说明书摘要公布了：本发明提供一种结合特征相似和可靠区域增强的半监督医学图像分割方法，包括采用双网络模型作为作为基础网络，对输入的有标签图片和无标签图片进行初步特征提取及模型训练；将双网络模型中提取出的深层特征及分割特征送入特征相似性模块，在特征相似性模块中通过自监督方法来挖掘无标签数据深层特征信息，将深层特征能够预测真值标签的能力与分割特征相关联，让深层特征的相似性关系映射到分割特征上；在双网络模型的基础上，融合双网络相互学习的优势获得高置信度网络模型形成三网络模型来产生伪标签，再通过可靠区域筛选模块筛选出可靠伪标签来再次约束双网络模型。本申请能充分利用无标签数据信息及高效利用全部伪标签信息，提高模型准确度。

本发明授权结合特征相似和可靠区域增强的半监督医学图像分割方法在权利要求书中公布了：1.一种结合特征相似和可靠区域增强的半监督医学图像分割方法，其特征在于，包括： 采用双网络模型作为基础网络，对输入的有标签图片和无标签图片进行初步特征提取以及模型训练； 将所述双网络模型中提取出的深层特征以及分割特征用于辅助分割，具体为将所述双网络模型中提取出的深层特征以及分割特征送入特征相似性模块，在所述特征相似性模块中通过自监督方法来挖掘无标签数据深层特征信息，将深层特征能够预测真值标签的能力与分割特征相关联，让深层特征的相似性关系映射到分割特征上，达到深层特征与分割结果一致性约束，以此充分利用无标签数据深层特征信息； 在所述双网络模型的基础上，融合双网络相互学习的优势获得高置信度网络模型形成三网络模型来产生伪标签，再通过可靠区域筛选模块对所述高置信度网络模型产生的伪标签进行筛选以筛选出可靠伪标签，并通过所述可靠伪标签来再次约束双网络模型，达到增加可靠区域权重、降低伪标签噪声干扰以及高效利用全部伪标签信息，所述高置信度网络模型和可靠区域筛选模块共同组成可靠区域增强模块；其中， 所述具体为将所述双网络模型中提取出的深层特征以及分割特征传入特征相似性模块包括： 通过映射器将所述双网络模型解码器中的深层特征以及分割特征传入到特征相似性模块中； 所述在所述特征相似性模块中通过自监督方法来挖掘无标签数据深层特征信息，将深层特征能够预测真值标签的能力与分割特征相关联，让深层特征的相似性关系映射到分割特征上包括： 首先在所述特征相似性模块中通过下式计算出两个网络各自深层特征Fi之间的相似度以及分割特征Si之间的相似度 其中，分别表示在特征空间中通道数为C，空间维度为H,W、M,N的两个特征张量；为特征相似性度量，用来表示两个特征张量f、g分别处于h,w与m,n位置处的特征相似度，并且当f＝g时表示同一特征张量在h,w与m,n处的相似度； 接着根据各自网络的深层特征之间的相似度采用相关性损失函数约束分割特征之间的相似度其中所述相关性损失函数表达如下： 其中，b为超参数用来调整相似关系的分布，i∈{1,2}； 然后计算所述双网络模型中通过第一网络解码器得到的深层特征F1与通过第二网络解码器得到的深层特征F2之间的相似性度量并将该相似性度量的相似关系用于约束分割特征S1与S2的相似性度量从而得到所述双网络模型中两个网络混合的分割特征与深层特征相似关系一致的混合相似约束，其中所述混合相似约束的损失函数如下： 所述在所述双网络模型的基础上，融合双网络相互学习的优势得出高置信度网络模型形成三网络模型来产生伪标签，再通过可靠区域筛选模块对所述高置信度网络模型产生的伪标签进行筛选以筛选出可靠伪标签包括： 首先根据训练出的双网络模型，计算在验证集上的准确度后，选出在所有训练轮次中在验证集上表现最好的模型，用最好模型的参数根据下式动态更新所述高置信度网络模型fθ3的参数： 其中，θi表示当前迭代模型i的参数且θ3进行随机初始化，αθi表示当前迭代模型i在验证集上的准确度，i∈{1,2,3}； 接着用更新后的所述高置信度网络模型fθ3来产生伪标签，再通过可靠区域筛选模块对所述高置信度网络模型产生的伪标签根据下式筛选出可靠伪标签： 其中，为整张图片中第i个像素点的可靠伪标签，为无标签图片预测像素的整体熵值；qic表示Qi在通道c处的值；表示无标签图片通过所述高置信度网络模型的解码器得到的第i个像素的softmax结果，其中C为通道数；ε表示输入的无标签图片整体熵值排序后，熵值前α百分位数处的值；NULL表示需要忽略的像素； 所述并通过所述可靠伪标签来再次约束双网络模型的损失函数如下： 其中，ω为可靠区域增强模块的权重占比，为模型i的预测分割结果，为可靠区域增强模块中整张图片的可靠伪标签，表示模型i与可靠伪标签的Dsc损失。

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重庆理工大学，其通讯地址为：400054 重庆市巴南区红光大道69号附1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。