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！

龙图腾网获悉武汉大学申请的专利一种基于对称性先验的脑部病变核磁影像Transformer扩散分割方法和系统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：CN119723074B 。

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：202411612605.6，技术领域涉及：G06V10/26；该发明授权一种基于对称性先验的脑部病变核磁影像Transformer扩散分割方法和系统是由何楚;蒋究;陈诺;樊凡;何博琨设计研发完成，并于2024-11-13向国家知识产权局提交的专利申请。

本一种基于对称性先验的脑部病变核磁影像Transformer扩散分割方法和系统在说明书摘要公布了：本发明公开了一种基于对称性先验的脑部病变核磁影像Transformer扩散分割方法和系统。本发明提出了一种新颖的先验引导的扩散去噪脑部病变分割Transformer模型，对影像提取长距离编码特征，辅以医学影像先验特性相关的局部信息，并进一步引入频域筛选融合编码分量。基于transformer网络结构设计U型去噪模型，为了保持准确的病变相关语义细节，引入了先验特征编码分支。先验特征编码分支考虑了模态相关的体素分布特性与模态内的空间对称性，以此学习先验引导注意力蒙版，动态调整像素级别和patch级别的关注权重。为了消除影像噪声与低对比度效应，在解码部分，设计了三分支小波频谱混合注意模块用于融合筛选频谱特征嵌入，并进一步地生成稳定的分割结果。

本发明授权一种基于对称性先验的脑部病变核磁影像Transformer扩散分割方法和系统在权利要求书中公布了：1.一种基于对称性先验的脑部病变核磁影像Transformer扩散分割方法，其特征在于，包括如下步骤： 步骤1，输入病变诊断相关的影像，并进行预处理； 步骤2，对预处理后的影像进行条件编码处理，生成条件编码特征； 所述条件编码处理包括对称先验模块、模态先验模块与特征条件编码模块； 对称先验模块的处理过程如下： 首先将原始图像和反转后的图像按照相同的方式拆分为固定大小的不重叠区域，也即为图像斑块，通过余弦相似度的方式计算对称斑块区域对应的相似度矩阵，将相似度矩阵展平为一维向量，并通过线性层投影生成值向量vs、键向量ks和查询向量qs，d为向量维度，通过softmax函数计算对称相似性注意力计算权重为： 将计算得到的注意力权重进行复制使得一个斑块内具有相同的注意力权重，然后通过几何变换恢复到原尺寸后与输入图像相乘，得到对称性先验加权的图像特征； 模态先验模块根据T2FLAIR模态和T1模态下病变实质的影像表现进行建模，针对白质病变，T2FLAIR影像中白质病变实质影像表现为高信号，而在T1影像中表现为低信号，通过计算两模态原始影像差异，定义第i层模态先验为第一层模态先验为T2FLAIR模态与T1模态影像的差异： xt1为T1模态影像，xt2为T2FLAIR模态影像； 后续三层模态先验特征通过下采样卷积层ConvBlock获得： 特征条件编码模块的处理过程如下： 对称先验加权的图像特征被输入特征条件编码模块获得条件编码特征，特征条件编码模块由四个连续的Transformer层构成，每层包含两个Transformer模块，输入多模态影像逐层地生成降采样特征，每一分辨率的特征和同一分辨率的模态先验特征相乘，得到模态先验加权的多层次特征，最后，每层相乘后的加权条件特征即条件编码特征被输入到去噪编码与去噪解码过程中，和对应尺度特征进行融合；在去噪编码处理中，条件编码特征和去噪编码特征通过相加的方式进行融合；在去噪解码处理中，条件编码特征、去噪编码特征以及去噪解码特征通过交叉注意力的方式进行融合； 步骤3，训练阶段对标签影像逐步进行扩散模型前向加噪，获得加噪图像； 步骤4，结合生成条件编码特征，对加噪图像进行去噪编码处理，生成去噪编码特征； 步骤5，结合生成条件编码特征，对生成的去噪编码特征进行去噪解码处理，生成各类分割标签影像； 去噪解码处理由去噪解码模块执行，去噪解码模块由时间编码嵌入模块和四个连续的上采样模块组成，其中上采样模块的前三层为Transformer上采样，最后一层为卷积上采样，经过去噪解码的特征被逐级恢复到原始分辨率，并通过最后的卷积操作生成各类分割标签影像；在解码过程中，去噪编码与条件编码的对应层级相同分辨率的编码特征通过交叉注意力方式与相同分辨率的解码特征融合，并通过频域处理筛选频谱分量，滤除不需要的噪声分量，并弥补三类特征的领域分布差异； 去噪解码处理具体实现包括如下子步骤： 步骤5.1，首先对时间步进行时间编码嵌入，时间编码嵌入对时间步信息进行指数衰减后的正弦余弦分量进行拼接，拼接后的时间特征嵌入经过线性层与Sigmoid层后形成最终的时间编码嵌入temb； 步骤5.2，去噪解码器中三层上采样Transformer层对去噪编码输入特征进行处理，使用基于小波变化的自身注意力机制计算改进频域分量筛选能力，下层解码特征通过升维后与条件编码特征、去噪编码特征进行结合； 每一尺度层的上采样Transformer层由两个transformer块构成，第一个transformer块是三分支注意力融合解码，分别计算去噪解码上采样特征、去噪编码跳跃特征与条件编码跳跃特征展平后的线性投影作为查询qb、键kb与值向量vb，其中，去噪解码上采样特征是上采样Transformer层生成的特征，去噪编码跳跃特征是同一尺度去噪编码模块生成的特征，条件编码跳跃特征是同一尺度条件编码模块生成的特征，两种跳跃特征都是特征通过跳跃连接接入去噪解码模块；然后进行相对位置编码与三分支多头自注意力MSA计算，设db为输入特征的维度，Bb为相对位置编码： 随后，第二个transformer模块对三分支注意力融合特征进行小波变换，三维特征被依次分解为八通道特征向量，代表不同频域信号，频域分离后的信号特征由卷积层进一步处理，并被编码成为键、值嵌入，与三分支注意力融合特征计算得到的查询嵌入共同计算自注意力，并在最终与整体逆变换信号相加，设为三分支注意力融合特征： DWT代表离散小波变换，IDWT代表离散小波反变换； Wave-MSA代表小波自注意力变换，对三分支注意力融合特征进行投影变换得到查询qf、键kf与值向量vf，设df为输入特征的维度，Bf为相对位置编码： 利用小波变换对频域分量进行滤波后，将层归一化Norm后的特征输入到前馈网络FF中，并与原始特征相加： 步骤5.3，解码器有效地利用交叉注意力集成来自多个分支的多尺度特征，并通过小波注意力灵活地捕获稀疏的多尺度细节特征，解码特征经过三分支交叉注意力融合和光谱分量滤波后逐步上采样，然后通过最终的卷积层恢复到原始分辨率； 步骤6，使用损失函数对步骤2-步骤5构成的分割网络进行训练； 步骤7，对训练好的分割网络进行测试，生成最稳定的分割结果。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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。