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！

龙图腾网获悉上海交通大学申请的专利医学图像可合成分解的解剖一致性自监督学习方法及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：CN119850692B 。

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：202411926190.X，技术领域涉及：G06T7/33；该发明授权医学图像可合成分解的解剖一致性自监督学习方法及系统是由周紫玉;丁晓伟设计研发完成，并于2024-12-25向国家知识产权局提交的专利申请。

本医学图像可合成分解的解剖一致性自监督学习方法及系统在说明书摘要公布了：本发明提供了一种医学图像可合成分解的解剖一致性自监督学习方法及系统，方法包括步骤S1：使用基于网格划分的图像裁剪策略，生成随机图像裁剪块；步骤S2：根据图像裁剪块依次进行全局一致性学习和局部一致性学习；步骤S3：整合全局一致性与局部一致性的学习结果，使用总损失函数捕获医学图像的多层次信息并优化模型性能。本发明通过学习解剖结构中的全局和局部一致性，从未标注的医学图像中提取出了具有层次化的嵌入特征，ACE框架通过结合全局特征的粗粒度学习与局部特征的细粒度建模，提供了强大的表征能力，能够在下游任务中展现优异性能。

本发明授权医学图像可合成分解的解剖一致性自监督学习方法及系统在权利要求书中公布了：1.一种医学图像可合成分解的解剖一致性自监督学习方法，其特征在于，包括： 步骤S1：使用基于网格划分的图像裁剪策略，生成随机图像裁剪块； 步骤S2：根据图像裁剪块依次进行全局一致性学习和局部一致性学习； 步骤S3：整合全局一致性与局部一致性的学习结果，使用总损失函数捕获医学图像的多层次信息并优化模型性能； 所述局部一致性学习包括局部组合以及局部分解，以学习细粒度的解剖特征，对解剖学结构进行建模； 所述局部组合包括将多个子块的嵌入组合成一个更大的整体嵌入，鼓励模型学习从部分到整体的解剖结构；对于裁剪图像的重叠区域，多个子块的嵌入与其对应的整体p的嵌入相一致，定义组合嵌入为： 其中，是特征组合器，是学生模型编码器，q1,q2,q3,q4为子块；通过交叉相关矩阵最大化匹配子块嵌入之间的相似度，同时最小化不匹配的子块嵌入之间的相似度；使用类似于CLIP的损失函数指导模型学习局部一致性，当C1被输入到学生模型时，C2被输入到教师模型，得到的嵌入分别是ys,yt∈RK×N，接着ys输入到组合器来组合每2×2的嵌入，因此互相关组合矩阵为： 其中，Mcomp∈RN×N4,T为矩阵的转置，·为矩阵乘法，sigmoid函数是用来限制矩阵每一个元素的值范围为0,1；优化目标矩阵Tcomp∈RN×N4的元素值为0或1，为1时表示这两个局部嵌入在原始位置上互相匹配，为0则不匹配；组合嵌入的损失函数通过最大化匹配的嵌入相似度，并最小化不匹配的嵌入相似度来计算： 其中，超参数α用来控制正负样本的平衡； 所述局部分解包括对局部组合过程的逆向操作，通过将一个整体图像块分解为多个子块，学习从整体到部分的细粒度解剖特征；对于一个整体图像块p，通过特征分解器将其分解为多个子块的嵌入 其中，为学生模型的编码器； 教师模型通过相应的输入产生对应子块的嵌入；为保证解剖结构的一致性，通过互相关矩阵的交叉熵最大化匹配的子块嵌入之间的相似度，同时最小化不匹配的嵌入之间的相似度，具体的损失函数如下： 其中，Mdecomp是局部分解计算的匹配矩阵，Tdecomp是目标匹配矩阵，α是平衡正负样本的超参数； 所述总损失函数通过整合全局一致性损失Lglobal和局部一致性损失，定义如下： 其中，Lcomp为组合损失，Ldecomp为分解损失，λ1,λ2,λ3是用于平衡不同损失项的权重参数。

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上海交通大学，其通讯地址为：200240 上海市闵行区东川路800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。