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！

龙图腾网获悉华东师范大学申请的专利一种改进的组织超声图像分割轻量化系统及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：CN119648716B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202411526924.5，技术领域涉及：G06T7/11；该发明授权一种改进的组织超声图像分割轻量化系统及方法是由潘海林;宛卓凡;吴雨;王江涛;王雪松设计研发完成，并于2024-10-30向国家知识产权局提交的专利申请。

本一种改进的组织超声图像分割轻量化系统及方法在说明书摘要公布了：本发明公开了一种改进的组织超声图像分割系统，所述组织超声图像分割系统包括改进的图像分割网络模型FSwinNet，实现资源受限环境中的图像高效分割；所述图像分割网络模型包括一个或多个编码器模块、一个或多个解码器模块和一个或多个瓶颈块；所述编码器模块的SwinTransformer中使用SFFN沙漏前馈神经网络模块，所述解码器模块中使用MBDW轻量化算子。本发明还公开了利用上述图像分割系统进行组织超声图像轻量化分割的方法，具有广泛应用前景。

本发明授权一种改进的组织超声图像分割轻量化系统及方法在权利要求书中公布了：1.一种改进的组织超声图像分割系统，其特征在于，所述组织超声图像分割系统包括改进的图像分割网络模型FSwinNet，加入包括沙漏前馈神经网络模块SFFN以及深度可分离卷积算子MBDW，实现资源受限环境中的图像高效分割； 所述图像分割网络模型FSwinNet包括编码器模块、瓶颈块、解码器模块；所述编码器模块基于结合沙漏前馈神经网络模块SFFN的SwinTransformer模块，捕捉图像的局部和全局信息，缓解信息损失和梯度混淆；所述瓶颈块使用空洞卷积提升感受野，增强深层特征的提取和连接；所述解码器模块采用多尺度双向的深度可分离卷积算子MBDW，结合不同尺度的特征提取，并通过跳跃连接融合深层编码特性，获得预测结果； 编码器模块中，通过所述SwinTransformer模块中基于窗口的多头自注意力W-MSA和基于移动窗口的多头自注意力SW-MSA模块，结合沙漏前馈神经网络模块SFFN和残差连接，实现特征提取和特征融合； 所述沙漏前馈神经网络模块SFFN的输入层和输出层均使用深度卷积，进行局部特征提取；在沙漏前馈神经网络模块SFFN的瓶颈中通过逐点卷积进行通道膨胀后再压缩，通过通道膨胀捕捉更多特征表示，再通过通道压缩减少参数数量和计算量； 在沙漏前馈神经网络模块SFFN的输入和输出之间加入残差连接； 在所述沙漏前馈神经网络模块SFFN的深度卷积过程中，仅在第一个深度卷积层和最后一个逐点卷积层之后添加激活层，激活层后面和最后一个线性层后面都需要进行批归一化； 结合沙漏前馈神经网络模块SFFN的SwinTransformer模块的过程如下式所示： ， ， 其中，表示第i个SwinTransformer模块的输出，LN表示线性层，Swin-Attention表示SwinTransformer自注意力计算； 瓶颈块中，在瓶颈开始处使用逐点卷积压缩通道，使用深度可分离卷积算子MBDW进行空洞卷积，输出的特征图和输入融合在一起，再进行批归一化后特征图通道压缩为输入模型初始通道C，使用GELU激活函数后输出；通过瓶颈块的处理扩大网络的感受野，特征图输入输出分辨率、通道都保持不变； 解码器模块中，基于多尺度双向的深度可分离卷积设计，实现包括跳跃融合、上采样、通道压缩、特征提取、逐点卷积的流程； 所述跳跃融合通过跳跃连接深层编码特征，允许模型在捕获复杂特征的同时，保留重要的上下文信息，输出保留细节的分割结果； 所述上采样能够增加特征图的空间维度，使用最近邻插值进行上采样，然后使用深度可分离的3×3卷积进行特征提取； 所述通道压缩通过1×1卷积减少通道数为原来的一半，减少计算量同时增强了各通道的信息交流； 所述特征提取通过使用多尺度双向的深度可分离卷积，使用1×i、i×1、1×j、j×1的卷积核双向特征提取，结果两两相加求和，然后将两个路径的输出拼接在一起，并加入残差连接促进梯度流动，输出包含多尺度空间信息的特征图； 所述逐点卷积通过应用C个1×1的卷积核，交流各通道之间的信息，增强了输入特征的信息量； 所述沙漏前馈神经网络模块SFFN用公式表示如下： ， ， 其中，T为SwinTransformer模块内经过多头自注意力MSA后的张量，为第i个深度卷积，为第i个点积，r1表示卷积核大小为1，r3表示卷积核大小为3； 所述深度可分离卷积算子MBDW使用多个尺度的卷积核，并双向进行特征提取；所述深度可分离卷积算子MBDW的计算公式如下： ， ， 其中表示x×y的深度卷积操作，表示从输入通道到点积，X表示输入特征向量，BN表示批归一化操作，GELU表示GELU函数激活； 基于权重的交叉熵损失和Dice损失组合的多类加权混合损失函数，在样本不平衡时通过调整损失函数贡献和不同损失函数权重，用于组织多类分割任务上模型权重的学习； 所述交叉熵损失通过下式计算： ， 其中，k是类别数，是第k个类别的权重，表示样本i是否属于类别k，是预测样本i为k类的概率，N为样本数量； 所述Dice损失通过下式计算： ， 其中，是样本i的真实标签，是样本i的正类预测概率，N为样本数量； 所述多类加权混合损失函数如下式所示： ， 其中，和分别为交叉熵损失和Dice损失的权重。

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华东师范大学，其通讯地址为：200241 上海市闵行区东川路500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。