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！

龙图腾网获悉吉林大学申请的专利基于循环变分伪标签的半监督医学体积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：CN117036303B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202311030553.7，技术领域涉及：G06T7/00；该发明授权基于循环变分伪标签的半监督医学体积分割方法是由张洪语;王玉;陈海鹏;崔文鹏;江皓宇设计研发完成，并于2023-08-16向国家知识产权局提交的专利申请。

本基于循环变分伪标签的半监督医学体积分割方法在说明书摘要公布了：本发明公开了一种基于循环变分伪标签的半监督医学体积分割方法，该方法中所采用的算法给出了一个全新的半监督医学体积分割架构：将分割阈值视作隐变量，构造深度贝叶斯网络进行变分推断，挖掘无标签数据中的潜在信息来获得更为可靠的变分伪标签；同时利用并联异构的两个分割网络提供模型级扰动来构造额外的矫正信号，在一次迭代中利用彼此产生的变分伪标签进行循环监督，修正各自的认知偏差，引导两个网络做出一致性低熵预测，本发明方法仅需使用极少量的标注数据，便可以达到媲美全监督学习的性能。

本发明授权基于循环变分伪标签的半监督医学体积分割方法在权利要求书中公布了：1.一种基于循环变分伪标签的半监督医学体积分割方法，其特征在于，该方法包括如下步骤： 步骤一:预处理医学体积数据集，并对训练集数据进行数据增强； 步骤二:构建由并联异构的分割网络Sθ1,Sθ2和变分贝叶斯网络Vθv组成的网络模型，并联异构的分割网络Sθ1,Sθ2分别使用3D‑UNet和VNet，变分贝叶斯网络Vθv由并联的子网Lμ,Lδ以及重参数化子网R组成；网络模型的结构表示如下： Sθ1:＝Eθ1⊙Dθ1⊙McSθ2:＝Eθ2⊙Dθ2⊙Mc其中Mθ表示整体结构；Eθ1,Dθ1分别表示3D‑UNet编码器和解码器；Eθ2,Dθ2分别表示VNet编码器和解码器；Mc表示蒙特卡洛DropOut；⊙表示网络级联；表示网络并联；随机初始化并联异构的分割网络Sθ1,Sθ2以及变分贝叶斯网络Vθv的权重； 步骤三:在训练集中采样2个有标签体积和2个无标签体积拼接为1个batch张量，batch表示为: 其中Cat为张量拼接操作，xL表示采样获得的有标签体积，xU表示采样获得的无标签体积，j,k表示本次迭代的采样索引；C,H,W,D分别表示输入体积的通道数、高度、宽度、深度； 步骤四:将batch输入到Sθ1,Sθ2中进行前向传播，获得Sθ1,Sθ2编码器特征，并在经过蒙特卡洛DropOut层后获得解码器的特征表示； 步骤五:将Sθ1,Sθ2编码器的输出特征输入到Vθv中,获得变分阈值Tv1,Tv2； 具体方法为： 将分割阈值Tv视作控制输入体积X分布的潜在变量，设分割阈值Tv的变分分布p和先验分布q均服从高斯分布；将Sθ1,Sθ2中编码器的输出特征输入到变分贝叶斯网络Vθv中变分推断，其证据下界ELBO写作： 其中表示对pTv的期望；KL表示Kullback‑Leibler散度； 通过最小化ELBO得到pTv的均值和方差： μi,logδi＝Lμdi,Lδdi                4di＝flattenAvgEθibatch其中i＝1,2；μi，logδi分别表示pTv的均值与方差；flatten·表示张量平展操作，Avg·表示自适应平均池化操作；di表示Sθi中编码器的输出特征； 使用Tv的变分分布近似其后验分布，即为了保证反向传播过程中梯度能由Vθv回流到Sθ1,Sθ2，使用重参数化技巧采样阈值Tvi： Tvi＝sigmoidsoftplusTvi‘             5softplusz＝log1+ez其中i＝1,2；rand表示服从标准高斯分布的随机噪声rand～N0,1；softplus·表示非线性激活操作；sigmoid·表示概率映射操作,将Tv映射至[0,1]，以得到最终的分割阈值Tvi；z表示函数形参； 步骤六:使用Sθ1,Sθ2解码器的输出特征结合变分阈值Tv1,Tv2生成变分伪标签Y’U1,Y’U2； Y’U1：＝1Sθ1batch[2:]Tv1                6Y’U2：＝1Sθ2batch[2:]Tv2                7其中1·表示指示函数，batch[2:]表示获取batch中的无标签体积； 步骤七:构造总损失函数，通过反向传播更新Sθ1,Sθ2和Vθv的参数； 步骤八:重复步骤三至七，直到当前迭代次数达到预定义的最大迭代次数； 步骤九:将待预测医学体积数据输入Sθ1进行前向传播，得到最终分割结果； 得到训练后的分割模型Sθ1,Sθ2，为了保证推断速度，只使用Sθ1作为预测网络，将待预测体积V输入Sθ1,采用滑动窗口kernel＝kH,kW,kD来获得任意形状输入体积的分割结果： Res＝Cati’,j,kpatchi’,j,k                  14patchi’,j,k＝Sθ1Vp[:,i′:i′+kH,j:j+kW,k:k+kD],i′∈I,j∈J,k∈K其中，Hv,Wv,Dv分别表示待预测体积的高度，宽度和深度；kernel表示Sθ1的滑动窗口尺寸；padding·表示0填充操作，其中pH,pW,pD表示三个维度的填充尺寸，mod·表示求余操作；I,J,K表示滑动索引集，ceil·表示向上取整操作；patch表示Sθ1对每个窗口的分割结果；Res表示最终分割结果，其中Cat·表示张量拼接操作。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699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。