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！

龙图腾网获悉陕西科技大学申请的专利一种基于区域-边界互学习扩散模型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：CN120163832B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202510154474.X，技术领域涉及：G06T7/11；该发明授权一种基于区域-边界互学习扩散模型的医学图像分割方法是由杜晓刚;陈佳隆;雷涛;王营博;焦逸鹏;王鸫;张翠;李春亮设计研发完成，并于2025-02-12向国家知识产权局提交的专利申请。

本一种基于区域-边界互学习扩散模型的医学图像分割方法在说明书摘要公布了：本发明公开了一种基于区域‑边界互学习扩散模型的医学图像分割方法，包括：1、构建网络模型RBML‑Diff并初始化超参数；2、预处理无标注医学图像、标注医学图像和标注医学图像真值；3、在网络模型正向扩散过程中，对标注医学图像真值加噪，得到噪声掩码图；4、将噪声掩码图和无标注医学图像输入条件编码器，输出特征图；5、区域感知模块中层内特征交互模块和层间特征协同模块对条件编码器输出的特征图进行区域感知和特征细化；6、用拉普拉斯算子提取无标注医学图像的边界，重复通过区域‑边界互学习模块和上采样操作，得到预测结果；7、对预测结果逐步反向扩散去噪，得到分割掩码图。本发明有效解决了医学图像分割中的大尺度变化和边界模糊性问题。

本发明授权一种基于区域-边界互学习扩散模型的医学图像分割方法在权利要求书中公布了：1.一种基于区域-边界互学习扩散模型的医学图像分割方法，其特征在于，包括如下步骤： 步骤1、构建网络模型RBML-Diff，并初始化超参数； 所述网络模型RBML-Diff包括条件编码器、区域感知模块和边界感知去噪网络，其中：所述条件编码器包括四个阶段，第一阶段包括融合嵌入层和Transformer编码器，第二阶段、第三阶段和第四阶段均包括重叠嵌入层和Transformer编码器；所述区域感知模块包括层内特征交互模块和层间特征协同模块；所述边界感知去噪网络包括分割编码器和区域-边界互学习模块； 步骤2、对待分割的无标注医学图像、标注医学图像和标注医学图像真值进行预处理； 步骤3、将预处理后的标注医学图像和标注医学图像真值输入网络模型RBML-Diff，利用网络模型RBML-Diff的正向扩散过程，对进行加噪处理，经过步迭代，得到加噪后的噪声掩码图； 步骤4、将噪声掩码图和预处理后的待分割的无标注医学图像输入条件编码器进行特征提取，得到特征图、、和； 步骤5、将、、和分别输入区域感知模块中不同的层内特征交互模块，层内特征交互模块对特征图、、和进行不同方向和尺度的特征挖掘，得到特征图、、和，将特征图,和,分别输入区域感知模块的两个层间特征协同模块，层间特征协同模块对特征图,和,进行跨层特征细化，得到细化的多尺度区域特征图和； 步骤6、通过拉普拉斯算子提取预处理后的待分割的无标注医学图像的边界，得到边界特征图，并利用边界感知去噪网络中的分割编码器提取噪声掩码图的特征，将分割编码器的输出特征图和特征图拼接，经过上采样，得到预测特征图； 设定边界感知去噪网络中区域-边界互学习模块输出的预测特征图为，先对包含在内的预测特征图分别进行取反并通过拉普拉斯算子提取边界，得到反向注意力图和边界注意力图，再通过区域-边界互学习模块将区域特征、和分别与边界特征图、下一级的反向注意力图和边界注意力图进行交叉学习，在通道和空间内进行细化后，经过上采样得到，重复通过区域-边界互学习模块和上采样操作，最终得到预测结果； 步骤7、对预测结果逐步反向扩散去噪，得到最后的分割掩码图。

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陕西科技大学，其通讯地址为：710021 陕西省西安市未央大学园区；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。