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！

龙图腾网获悉重庆邮电大学申请的专利一种基于深度学习的髁突MRI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：CN119941763B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202510038303.0，技术领域涉及：G06T7/12；该发明授权一种基于深度学习的髁突MRI医学图像分割方法是由卢世岩;赵悦设计研发完成，并于2025-01-09向国家知识产权局提交的专利申请。

本一种基于深度学习的髁突MRI医学图像分割方法在说明书摘要公布了：本发明提供一种基于深度学习的髁突MRI医学图像分割方法，涉及医学影像处理与3D图像分割技术领域，本发明首先利用卷积神经网络提取髁突区域的基础特征，并将CNN输出的特征图展平后作为Transformer模型的输入，结合Transformer模型的核心机制以提升全局感知能力和边缘细节捕捉的精度；采用跳跃连接机制，将初步提取的局部特征与全局信息融合，构建成整体的结构，从而进一步提升分割性能；该基于CNN和Transformer模型结合的深度学习分割方法显著提高了髁突的分割精度，使得髁突的全局结构和边缘细节能够被精确捕捉，从而克服了传统方法在复杂结构边界模糊和分割稳定性不足方面的限制。

本发明授权一种基于深度学习的髁突MRI医学图像分割方法在权利要求书中公布了：1.一种基于深度学习的髁突MRI医学图像分割方法，其特征在于，包括数据预处理模块、智能裁剪模块、初步特征提取模块、全局信息提取模块、特征融合模块和边界细化模块，具体步骤包括： S1：通过数据预处理模块，将原始dcm格式的髁突MRI灰度图像与对应的标注图像合并，并对合并后的图像应用数据增强技术； 对数据增强后的髁突MRI灰度图像进行同一范围值的归一化处理，以得到预处理后的髁突MRI灰度图像，并将预处理后的髁突MRI灰度图像转换为h5格式； S2：通过智能裁剪模块，使用基于U‑Net模型架构的智能裁剪网络对转换为h5格式的髁突MRI灰度图像进行裁剪处理，并在裁剪后将图像和边界框的输出结果调整为256x256的分辨率，以得到裁剪后的图像； S3：通过初步特征提取模块，使用卷积神经网络对裁剪后的图像进行低级别特征提取，生成CNN特征图，以便检测髁突区域内的低级别特征，低级别特征包括识别髁突的结构轮廓、边缘信息以及纹理特征； S4：通过全局信息提取模块，对CNN特征图进行全局信息捕获，以增强髁突MRI医学图像的分割精度，具体为： 将三维CNN特征图展平为一维序列，并加入位置编码，以用于Transformer模型识别特征的空间位置关系； 通过多头自注意力机制对输入的一维序列进行全局特征提取，利用可学习的权重矩阵将一维序列转化为查询、键和值矩阵；每个注意力头计算缩放点积注意力，以捕捉不同位置间的关联； 在每个子层后应用残差连接和层归一化，依次产生经过归一化的注意力输出和前馈网络的最终输出； 针对前馈网络的最终输出，通过均值池化得到全局特征； S5：通过特征融合模块，采用U‑Net模型架构的跳跃连接机制，将初步提取的低级别特征与全局信息提取模块输出的全局特征进行融合，具体为： 通过跳跃连接，将卷积层的低级别特征直接与全局信息提取模块输出的全局特征在多个尺度上进行对齐融合，以生成融合特征，使得U‑Net模型能够同时利用局部细节与全局上下文信息； 通过特征融合模块将融合特征转化为初步分割图像，该初步分割图像包含了髁突区域的边缘信息；且将初步分割图像用于后续步骤中的边缘检测和活动轮廓模型的初始位置设定； S6：通过边界细化模块，采用活动轮廓模型对初步分割图像的分割边缘进行修正和补充，以确保边缘的准确性和平滑度；步骤如下： 通过特征融合模块输出的初步分割图像来定义轮廓的初始位置； 基于图像的梯度信息和边缘形态，逐步迭代调整轮廓位置，使轮廓趋近图像的真实边界； 活动轮廓模型通过最小化能量函数实现边缘位置优化；能量函数包括边缘强度、平滑度和形状约束； 使用曲率分析控制轮廓的弯曲程度，以确保在边缘过渡处保持自然曲线； 最后，活动轮廓模型生成优化后的分割边缘。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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。