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！

龙图腾网获悉中南大学;湖南城市学院;智相健康科技(北京)有限公司申请的专利基于深度学习的肺部CT影像分割方法及成像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：CN116468732B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202310219966.3，技术领域涉及：G06T7/10；该发明授权基于深度学习的肺部CT影像分割方法及成像方法是由周建存;匡湖林;王建新;刘权设计研发完成，并于2023-03-09向国家知识产权局提交的专利申请。

本基于深度学习的肺部CT影像分割方法及成像方法在说明书摘要公布了：本发明公开了一种基于深度学习的肺部CT影像分割方法，包括获取已有的肺部CT图像数据集并预处理得到训练数据集；构建肺部CT影像分割原始模型并训练得到肺部CT影像分割模型；采用肺部CT影像分割模型对实际的肺部CT影像进行分割。本发明还公开了一种包括所述基于深度学习的肺部CT影像分割方法的成像方法。本发明能够实现更加准确的图像分割结果，能够加速收敛速度，在小规模数据集上也能够表现出较强的分割效果，能够实现更加精准的分割结果，而且能够避免特征崩溃，产生多样化的特征；因此本发明的可靠性高、精确性好且客观科学。

本发明授权基于深度学习的肺部CT影像分割方法及成像方法在权利要求书中公布了：1.一种基于深度学习的肺部CT影像分割方法，包括如下步骤： S1.获取已有的肺部CT图像数据集； S2.对步骤S1获取的数据，进行预处理，从而得到训练数据集； S3.基于卷积编码器、Transformer编码器、融合模块和对应的解码器，构建肺部CT影像分割原始模型； 其中，卷积编码器模块，具体由若干个卷积模块组成，每个卷积模块均包括两个Conv-IN-LeakyReLU模块； 每个Conv-IN-LeakyReLU模块包括依次串联的一个卷积层、一个InstanceNorm层和一个LeakyReLU层； 卷积编码器模块的处理函数为，其中为编码 器模块的输出特征，为输入特征，为卷积层处理函数；为InstanceNorm层 处理函数；为LeakyReLU层处理函数； 卷积层为三维卷积层； InstanceNorm层的处理公式为，其中为处理结果特征，为输 入特征，为输入特征的均值，为输入特征的方差，为误差系数，为第一学习参数；为第二学习参数； LeakyReLU层的处理公式为，其中为经过激活函数后的处理特 征；为特征图中的第i个值；为固定的常数； 每一个卷积模块中的第一个Conv-IN-LeakyReLU模块用于下采样操作，其卷积核大小为3，卷积核滑动步长为2； 其中，Transformer编码器模块，具体包括一个patchembedding模块、若干个连续的Transformer块和若干个下采样模块；相邻的Transformer块之间均连接有一个下采样模块； 下采样模块采用三线性插值操作，并在插值完成之后采用卷积核大小为1的卷积来调整特征图的通道数，从而保证特征图的通道数增加1倍； patchembedding模块用于将图像划分为一系列不重叠的patch，并将每个patch投影到一个高维空间； 每一个Transformer块均包括第一归一化层、ShiftDW层、第二归一化层和多层感知机层；输入特征通过第一归一化层归一化后，再通过ShiftDW层处理；ShiftDW层的处理结果与输入特征连接得到第二输入特征；第二输入特征输入到第二归一化层进行处理，然后在通过多层感知机层进行处理；多层感知机层的处理结果与第二输入特征连接后，作为当前的Transformer块的输出特征； Transformer块的计算公式为： 式中为ShiftDW模块的输出；为ShiftDW层处理函数；为第l层 Transformer的输出；为第一归一化层和第二归一化层的处理函数；为多层 感知机层处理函数，且多层感知机的层数为2层；的计算公式为： 式中为处理函数；为第一个全连接操作；为输入特征；为 第二个全连接操作；为高斯误差线性单元的处理函数，且，为输入特征，为中间处理函数且； S4.采用步骤S2得到的训练数据集，对步骤S3构建的肺部CT影像分割原始模型进行训练，得到肺部CT影像分割模型； S5.采用步骤S4得到的肺部CT影像分割模型，对实际的肺部CT影像进行分割。

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中南大学;湖南城市学院;智相健康科技(北京)有限公司，其通讯地址为：410083 湖南省长沙市岳麓区麓山南路932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。