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！

龙图腾网获悉江西慧链数字科技有限公司申请的专利一种基于深度学习联盟训练的医疗图像分割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：CN117078694B 。

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：202310783381.4，技术领域涉及：G06T7/11；该发明授权一种基于深度学习联盟训练的医疗图像分割方法及系统是由徐凤莲;王子阳设计研发完成，并于2023-06-29向国家知识产权局提交的专利申请。

本一种基于深度学习联盟训练的医疗图像分割方法及系统在说明书摘要公布了：本发明公开一种基于深度学习联盟训练的医疗图像分割方法及系统，方法包括：基于自注意力机制构建图像分割模型；获取医疗图像样本数据集，基于所述医疗图像样本数据集对所述图像分割模型进行训练，得到目标图像分割模型；将实时的医疗图像输入至所述目标图像分割模型中，得到模型预测结果，其中，所述模型预测结果包括目标区域以及目标区域类别。利用少量高质量标注数据，少量低质量标注数据以及大量未标注的数据和进行训练，从而降低标注数据的成本，提高模型的泛化能力，更加贴合医疗影像实际，且相比较传统方法，此训练方法可以更加充分地使神经网络学习特征。

本发明授权一种基于深度学习联盟训练的医疗图像分割方法及系统在权利要求书中公布了：1.一种基于深度学习联盟训练的医疗图像分割方法，其特征在于，包括： 基于自注意力机制构建图像分割模型，其中，所述图像分割模型包括第一神经网络视觉模型和第二神经网络视觉模型，所述第一神经网络视觉模型和所述第二神经网络视觉模型中均包含U型编码器‑解码器架构； 获取医疗图像样本数据集，基于所述医疗图像样本数据集对所述图像分割模型进行训练，得到目标图像分割模型，其中，医学图像数据中包含对医疗图像进行高质量标注的第一子样本数据集L、对医疗图像进行稀疏标注的第二子样本数据集S以及未对医疗图像进行标注的第三子样本数据集U，所述目标图像分割模型的损失函数Loss为： Loss＝Lossprecise‑1+Lossprecise‑2+Losslimit‑1+Losslimit‑2+Lossimprecise‑1+Lossimprecise‑2，式中，Lossprecise‑1为第一神经网络视觉模型在第一子样本数据集L上的第一精准损失函数，Lossprecise‑2为第二神经网络视觉模型在第一子样本数据集L上的第二精准损失函数，Losslimit‑1为第一神经网络视觉模型在第二子样本数据集S上的第一稀疏损失函数，Losslimit‑2为第二神经网络视觉模型在第二子样本数据集S上的第二稀疏损失函数，Lossimprecise‑1为第一神经网络视觉模型在第三子样本数据集U上的第一涂鸦损失函数，Lossimprecise‑2为第二神经网络视觉模型在第三子样本数据集U上的第二涂鸦损失函数； 所述获取医疗图像样本数据集，基于所述医疗图像样本数据集对所述图像分割模型进行训练，得到目标图像分割模型包括： 获取对医疗图像进行高质量标注的第一子样本数据集L，将所述第一子样本数据集L中的各组第一子样本数据Xl，Yl分别输入至所述第一神经网络视觉模型和所述第二神经网络视觉模型中，得到第一预测结果Yp1和第二预测结果Yp2，其中，Xl为高质量标注的医疗图像的目标区域，Yl为高质量标注的医疗图像的目标区域类别； 根据所述第一预测结果Yp1和所述第二预测结果Yp2计算第一神经网络视觉模型在第一子样本数据集L上的第一精准损失函数以及第二神经网络视觉模型在第一子样本数据集L上的第二精准损失函数，其中，所述第一精准损失函数Lossprecise‑1的表达式为： Lossprecise‑1＝CEYp1，Yl，所述第二精准损失函数Lossprecise‑2的表达式为： Lossprecise‑2＝CEYp2，Yl，式中，CE为交叉熵，i为第i个像素点，p、q分别为真实值和模型预测的预测值，n为分割任务下不同目标区域数量； 根据所述第一精准损失函数和所述第二精准损失函数分别对所述第一神经网络视觉模型的第一模型参数θ1和所述第二神经网络视觉模型的第二模型参数θ2进行优化； 在根据所述第一精准损失函数和所述第二精准损失函数分别对所述第一神经网络视觉模型的第一模型参数θ1和所述第二神经网络视觉模型的第二模型参数θ2进行优化之后，包括： 获取对医疗图像进行稀疏标注的第二子样本数据集S，将第二子样本数据集S中的各组第二子样本数据Xs，Yscribble分别输入至优化后的第一神经网络视觉模型和第二神经网络视觉模型中，得到第一优化预测结果Y′p1和第二优化预测结果Y′p2，其中，Xs为稀疏标注的医疗图像的目标区域，Yscribble为稀疏标注的医疗图像的目标区域类别； 根据所述第一优化预测结果Y′p1和所述第二优化预测结果Y′p2计算第一神经网络视觉模型在第二子样本数据集S上的第一稀疏损失函数以及第二神经网络视觉模型在第二子样本数据集S上的第二稀疏损失函数，其中，所述第一稀疏损失函数的表达式为： Losslimit‑1＝pCEY′p1，Yscribble，所述第二稀疏损失函数的表达式为： Losslimit‑2＝pCEY′p2，Yscribble，式中，pCE为局部交叉熵，i为第i个像素点，p、q分别为真实值和模型预测的预测值，n为分割任务下不同目标区域数量，k为稀疏标注下标注的像素点总数； 根据所述第一稀疏损失函数和所述第二稀疏损失函数分别对优化后的第一神经网络视觉模型的第一模型参数θ1和第二神经网络视觉模型的第二模型参数θ2进行更新，在根据所述第一稀疏损失函数和所述第二稀疏损失函数分别对优化后的第一神经网络视觉模型的第一模型参数θ1和第二神经网络视觉模型的第二模型参数θ2进行更新之后，包括： 获取未对医疗图像进行标注的第三子样本数据集U，将第三子样本数据集U中的各组第三子样本数据Xu分别输入至更新后的第一神经网络视觉模型和第二神经网络视觉模型中，得到第一目标预测结果Y″p1和第二目标预测结果Y”p2，其中，Xu为未标注的医疗图像； 基于标签不确定度与信任投票机制对所述第一目标预测结果Y″p1和所述第二目标预测结果Y″p2进行确定，得到伪标签Yp，其中，计算伪标签Yp的表达式为： Yp＝FilterY″p1+Y″p2，式中，Filter为过滤器； 根据伪标签Yp计算更新后的第一神经网络视觉模型在第三子样本数据集U上的第一涂鸦损失函数以及第二神经网络视觉模型在第三子样本数据集U上的第二涂鸦损失函数，其中，所述第一涂鸦损失函数的表达式为： Lossimprecise‑1＝CEY”p1，Yp，所述第二涂鸦损失函数的表达式为： Lossimprecise‑2＝CEY”p2，Yp，根据所述第一涂鸦损失函数和所述第二涂鸦损失函数分别对更新后的第一神经网络视觉模型的第一模型参数θ1和第二神经网络视觉模型的第二模型参数θ2进行再次更新，得到目标图像分割模型； 将实时的医疗图像输入至所述目标图像分割模型中，得到模型预测结果，其中，所述模型预测结果包括目标区域以及目标区域类别。

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江西慧链数字科技有限公司，其通讯地址为：332000 江西省九江市濂溪区濂溪大道798号科创中心2号楼2层场地；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。